Question

我需要自定义加权MSE丢失功能。我在keras.backend

中定义了它

from keras import backend as K
def weighted_loss(y_true, y_pred):
    return K.mean( K.square(y_pred - y_true) *
    K.exp(-K.log(1.7) * (K.log(1. + K.exp((y_true - 3)/5 ))))      
    ,axis=-1  )

但是，测试运行返回

    weighted_loss(1,2)
ValueError: Tensor conversion requested dtype int32 for Tensor with dtype float32: 'Tensor("Exp_37:0", shape=(), dtype=float32)'

或

    weighted_loss(1.,2.)
ZeroDivisionError: integer division or modulo by zero

我想知道我在这里犯了什么错误。

Answer 1

无论您使用的是Tensorflow还是Theano都与您的问题无关。谷歌“张量”的含义＆＃39;如果这个词混淆了你。

看看Keras如何实施损失函数测试here：

Entity {
   @Column(name = "name", updatable = false)
   private String someProperty;

   ...
}

您不能简单地将浮点数或整数运算到张量计算中。还要注意使用K.eval来获得您正在寻找的结果。

所以尝试与你的功能类似的东西：

def test_metrics():
    y_a = K.variable(np.random.random((6, 7)))
    y_b = K.variable(np.random.random((6, 7)))
    for metric in all_metrics:
        output = metric(y_a, y_b)
        print(metric.__name__)
        assert K.eval(output).shape == (6,)

也无需在keras.backend中定义自定义函数 - 如果您决定稍后更新Keras会怎样？

相反，您可以在自己的代码中执行以下操作：定义一个返回损失函数的函数

from keras import backend as K
import numpy as np

y_a = K.variable(np.random.random((6, 7)))
y_b = K.variable(np.random.random((6, 7)))
output = weighted_loss(y_a,y_b)
result = K.eval(output)

然后，当您想使用损失函数编译模型时，您可以执行以下操作：

def get_weighted_loss():
    def weighted_loss(y_true, y_pred):
        return K.mean( K.square(y_pred - y_true) * K.exp(-K.log(1.7) * (K.log(1. + K.exp((y_true - 3)/5 )))),axis=-1  )
    return weighted_loss

自定义损失功能Keras Tensorflow

1 个答案: