Question

我想修改以下keras均方误差丢失（MSE），以便仅以稀疏方式计算损失。

def mean_squared_error(y_true, y_pred): return K.mean(K.square(y_pred - y_true), axis=-1)

我的输出y是一个3通道图像，其中第3个通道仅在那些要计算损耗的像素处为非零。知道如何修改以上内容来计算稀疏损失？

Answer 1

这不是您正在寻找的确切损失，但我希望它能为您提供编写功能的提示：

def masked_mse(mask_value):
    def f(y_true, y_pred):
        mask_true = K.cast(K.not_equal(y_true, mask_value), K.floatx())
        masked_squared_error = K.square(mask_true * (y_true - y_pred))
        masked_mse = (K.sum(masked_squared_error, axis=-1) /
                      K.sum(mask_true, axis=-1))
        return masked_mse
    f.__name__ = 'Masked MSE (mask_value={})'.format(mask_value)
    return f

该函数计算预测输出的所有值的MSE损失，除了那些在真输出中的对应值等于掩蔽值（例如-1）的元素。

两个说明： - 计算均值时，分母必须是非掩盖值的计数，而不是数组的维度，这就是为什么我没有使用K.mean(masked_squared_error, axis=1)而我是＆＃39; m 而是手动平均。 - 屏蔽值必须是有效数字（即np.nan或np.inf将无法完成工作），这意味着您必须调整数据以使其不包含{ {1}}。

在此示例中，目标输出始终为mask_value，但某些预测值会逐渐被屏蔽。

[1, 1, 1, 1]

预期输出为：

y_pred = K.constant([[ 1, 1, 1, 1], 
                     [ 1, 1, 1, 3],
                     [ 1, 1, 1, 3],
                     [ 1, 1, 1, 3],
                     [ 1, 1, 1, 3],
                     [ 1, 1, 1, 3]])
y_true = K.constant([[ 1, 1, 1, 1],
                     [ 1, 1, 1, 1],
                     [-1, 1, 1, 1],
                     [-1,-1, 1, 1],
                     [-1,-1,-1, 1],
                     [-1,-1,-1,-1]])

true = K.eval(y_true)
pred = K.eval(y_pred)
loss = K.eval(masked_mse(-1)(y_true, y_pred))

for i in range(true.shape[0]):
    print(true[i], pred[i], loss[i], sep='\t')

Answer 2

为防止出现nan，请遵循指示here。以下假设您希望掩码值（背景）等于零：

 # Copied almost character-by-character (only change is default mask_value=0)
 # from https://github.com/keras-team/keras/issues/7065#issuecomment-394401137
 def masked_mse(mask_value=0):
    """
    Made default mask_value=0; not sure this is necessary/helpful
    """
    def f(y_true, y_pred):
        mask_true = K.cast(K.not_equal(y_true, mask_value), K.floatx())
        masked_squared_error = K.square(mask_true * (y_true - y_pred))
        # in case mask_true is 0 everywhere, the error would be nan, therefore divide by at least 1
        # this doesn't change anything as where sum(mask_true)==0, sum(masked_squared_error)==0 as well
        masked_mse = K.sum(masked_squared_error, axis=-1) / K.maximum(K.sum(mask_true, axis=-1), 1)
        return masked_mse
    f.__name__ = str('Masked MSE (mask_value={})'.format(mask_value))
    return f

如何在Keras中实现稀疏均方误差丢失

2 个答案: