Keras使用Tensorflow后端 - 屏蔽丢失功能

时间：2017-11-01 14:37:47

标签： keras lstm masking loss-function

我正在尝试使用带有Tensorflow后端的Keras使用LSTM来实现序列到序列任务。输入是具有可变长度的英语句子。为了构造具有二维形状[batch_number，max_sentence_length]的数据集，我在行尾添加EOF并用足够的占位符填充每个句子，例如＆＃34;＃＆＃34 ;.然后将句子中的每个字符转换为单热矢量，现在数据集具有3-D形状[batch_number，max_sentence_length，character_number]。在LSTM编码器和解码器层之后，计算输出和目标之间的softmax交叉熵。

为了消除模型训练中的填充效应，可以在输入和丢失功能上使用掩蔽。 Keras中的掩码输入可以通过使用＆＃34; layers.core.Masking＆＃34;来完成。在Tensorflow中，可以按如下方式屏蔽损失函数： custom masked loss function in Tensorflow

但是，我没有找到在Keras中实现它的方法，因为keras中使用定义的损失函数只接受参数y_true和y_pred。那么如何将真正的sequence_lengths输入到丢失函数和掩码？

此外，我找到了一个函数＆＃34; _weighted_masked_objective（fn）＆＃34;在\ keras \ engine \ training.py中。它的定义是＆＃34;为目标函数添加对屏蔽和样本加权的支持。“但似乎该函数只能接受fn（y_true，y_pred）。有没有办法使用这个功能来解决我的问题？

具体来说，我修改了Yu-Yang的例子。

from keras.models import Model
from keras.layers import Input, Masking, LSTM, Dense, RepeatVector, TimeDistributed, Activation
import numpy as np
from numpy.random import seed as random_seed
random_seed(123)

max_sentence_length = 5
character_number = 3 # valid character 'a, b' and placeholder '#'

input_tensor = Input(shape=(max_sentence_length, character_number))
masked_input = Masking(mask_value=0)(input_tensor)
encoder_output = LSTM(10, return_sequences=False)(masked_input)
repeat_output = RepeatVector(max_sentence_length)(encoder_output)
decoder_output = LSTM(10, return_sequences=True)(repeat_output)
output = Dense(3, activation='softmax')(decoder_output)

model = Model(input_tensor, output)
model.compile(loss='categorical_crossentropy', optimizer='adam')
model.summary()

X = np.array([[[0, 0, 0], [0, 0, 0], [1, 0, 0], [0, 1, 0], [0, 1, 0]],
          [[0, 0, 0], [0, 1, 0], [1, 0, 0], [0, 1, 0], [0, 1, 0]]])
y_true = np.array([[[0, 0, 1], [0, 0, 1], [1, 0, 0], [0, 1, 0], [0, 1, 0]], # the batch is ['##abb','#babb'], padding '#'
          [[0, 0, 1], [0, 1, 0], [1, 0, 0], [0, 1, 0], [0, 1, 0]]])

y_pred = model.predict(X)
print('y_pred:', y_pred)
print('y_true:', y_true)
print('model.evaluate:', model.evaluate(X, y_true))
# See if the loss computed by model.evaluate() is equal to the masked loss
import tensorflow as tf
logits=tf.constant(y_pred, dtype=tf.float32)
target=tf.constant(y_true, dtype=tf.float32)
cross_entropy = tf.reduce_mean(-tf.reduce_sum(target * tf.log(logits),axis=2))
losses = -tf.reduce_sum(target * tf.log(logits),axis=2)
sequence_lengths=tf.constant([3,4])
mask = tf.reverse(tf.sequence_mask(sequence_lengths,maxlen=max_sentence_length),[0,1])
losses = tf.boolean_mask(losses, mask)
masked_loss = tf.reduce_mean(losses)
with tf.Session() as sess:
    c_e = sess.run(cross_entropy)
    m_c_e=sess.run(masked_loss)
    print("tf unmasked_loss:", c_e)
    print("tf masked_loss:", m_c_e)

Keras和Tensorflow中的输出比较如下： enter image description here

如上所示，在某些层之后禁用屏蔽。那么在添加这些图层时如何屏蔽keras中的损失函数？

2 个答案:

答案 0 :(得分：13)

如果模型中有掩模，它将逐层传播并最终应用于损失。因此，如果您以正确的方式填充和屏蔽序列，则填充占位符的丢失将被忽略。

一些细节：

解释整个过程有点参与，所以我将其分解为几个步骤：

  1. 在compile()中，通过调用compute_mask()收集掩码并应用于损失（为清晰起见，忽略不相关的行）。 
    2. weighted_losses = [_weighted_masked_objective(fn) for fn in loss_functions]

# Prepare output masks.
masks = self.compute_mask(self.inputs, mask=None)
if masks is None:
    masks = [None for _ in self.outputs]
if not isinstance(masks, list):
    masks = [masks]

# Compute total loss.
total_loss = None
with K.name_scope('loss'):
    for i in range(len(self.outputs)):
        y_true = self.targets[i]
        y_pred = self.outputs[i]
        weighted_loss = weighted_losses[i]
        sample_weight = sample_weights[i]
        mask = masks[i]
        with K.name_scope(self.output_names[i] + '_loss'):
            output_loss = weighted_loss(y_true, y_pred,
                                        sample_weight, mask)
    1. 在Model.compute_mask()内，调用run_internal_graph()。
    2. 在run_internal_graph()内，模型中的掩码通过迭代地为每个层调用Layer.compute_mask()，从模型的输入逐层传播到输出。

      3. 因此，如果您在模型中使用Masking图层，则不必担心填充占位符的丢失。这些条目的损失将被掩盖，因为您可能已经在_weighted_masked_objective()内看到了。

      一个小例子：

      max_sentence_length = 5
character_number = 2

input_tensor = Input(shape=(max_sentence_length, character_number))
masked_input = Masking(mask_value=0)(input_tensor)
output = LSTM(3, return_sequences=True)(masked_input)
model = Model(input_tensor, output)
model.compile(loss='mae', optimizer='adam')

X = np.array([[[0, 0], [0, 0], [1, 0], [0, 1], [0, 1]],
              [[0, 0], [0, 1], [1, 0], [0, 1], [0, 1]]])
y_true = np.ones((2, max_sentence_length, 3))
y_pred = model.predict(X)
print(y_pred)
[[[ 0.          0.          0.        ]
  [ 0.          0.          0.        ]
  [-0.11980877  0.05803877  0.07880752]
  [-0.00429189  0.13382857  0.19167568]
  [ 0.06817091  0.19093043  0.26219055]]

 [[ 0.          0.          0.        ]
  [ 0.0651961   0.10283815  0.12413475]
  [-0.04420842  0.137494    0.13727818]
  [ 0.04479844  0.17440712  0.24715884]
  [ 0.11117355  0.21645413  0.30220413]]]

# See if the loss computed by model.evaluate() is equal to the masked loss
unmasked_loss = np.abs(1 - y_pred).mean()
masked_loss = np.abs(1 - y_pred[y_pred != 0]).mean()

print(model.evaluate(X, y_true))
0.881977558136

print(masked_loss)
0.881978

print(unmasked_loss)
0.917384

      从这个例子中可以看出，被遮挡部分的丢失（y_pred中的零）被忽略，model.evaluate()的输出等于masked_loss。

      编辑：

      如果存在具有return_sequences=False的重复层，则掩码停止传播（即，返回的掩码为None）。在RNN.compute_mask()：

      def compute_mask(self, inputs, mask):
    if isinstance(mask, list):
        mask = mask[0]
    output_mask = mask if self.return_sequences else None
    if self.return_state:
        state_mask = [None for _ in self.states]
        return [output_mask] + state_mask
    else:
        return output_mask

      在您的情况下，如果我理解正确，您需要一个基于y_true的掩码，以及y_true的值为[0, 0, 1]时的掩码（＃的单热编码） “）你想要掩盖损失。如果是这样，你需要以与Daniel的回答类似的方式掩盖损失值。

      主要区别在于最终平均值。平均值应取自未屏蔽值的数量，仅为K.sum(mask)。而且，y_true可以直接与单热编码矢量[0, 0, 1]进行比较。

      def get_loss(mask_value):
    mask_value = K.variable(mask_value)
    def masked_categorical_crossentropy(y_true, y_pred):
        # find out which timesteps in `y_true` are not the padding character '#'
        mask = K.all(K.equal(y_true, mask_value), axis=-1)
        mask = 1 - K.cast(mask, K.floatx())

        # multiply categorical_crossentropy with the mask
        loss = K.categorical_crossentropy(y_true, y_pred) * mask

        # take average w.r.t. the number of unmasked entries
        return K.sum(loss) / K.sum(mask)
    return masked_categorical_crossentropy

masked_categorical_crossentropy = get_loss(np.array([0, 0, 1]))
model = Model(input_tensor, output)
model.compile(loss=masked_categorical_crossentropy, optimizer='adam')

      上面代码的输出显示损失仅在未屏蔽的值上计算：

      model.evaluate: 1.08339476585
tf unmasked_loss: 1.08989
tf masked_loss: 1.08339

      该值与您的不同，因为我已将axis中的tf.reverse参数从[0,1]更改为[1]。

答案 1 :(得分：0)

如果你没有像Yu-Yang的回答那样使用面具，你可以尝试一下。

如果你的目标数据Y有长度并用掩码值填充，你可以：

import keras.backend as K
def custom_loss(yTrue,yPred):

    #find which values in yTrue (target) are the mask value
    isMask = K.equal(yTrue, maskValue) #true for all mask values

    #since y is shaped as (batch, length, features), we need all features to be mask values
    isMask = K.all(isMask, axis=-1) #the entire output vector must be true
        #this second line is only necessary if the output features are more than 1

    #transform to float (0 or 1) and invert
    isMask = K.cast(isMask, dtype=K.floatx())
    isMask = 1 - isMask #now mask values are zero, and others are 1

    #multiply this by the inputs:
       #maybe you might need K.expand_dims(isMask) to add the extra dimension removed by K.all
     yTrue = yTrue * isMask   
     yPred = yPred * isMask

     return someLossFunction(yTrue,yPred)

如果只对输入数据进行填充，或者Y没有长度，则可以在函数外部使用自己的掩码：

masks = [
   [1,1,1,1,1,1,0,0,0],
   [1,1,1,1,0,0,0,0,0],
   [1,1,1,1,1,1,1,1,0]
]
 #shape (samples, length). If it fails, make it (samples, length, 1). 

import keras.backend as K

masks = K.constant(masks)

由于蒙版取决于您的输入数据，您可以使用蒙版值来知道放置零的位置，例如：

masks = np.array((X_train == maskValue).all(), dtype='float64')    
masks = 1 - masks

#here too, if you have a problem with dimensions in the multiplications below
#expand masks dimensions by adding a last dimension = 1.

让你的函数从它外面取出掩码（如果你改变输入数据，你必须重新创建损失函数）：

def customLoss(yTrue,yPred):

    yTrue = masks*yTrue
    yPred = masks*yPred

    return someLossFunction(yTrue,yPred)

有没有人知道keras是否会自动掩盖丢失函数？ 既然它提供了一个掩蔽层并且对输出没有任何说明，那么它可能是自动完成的吗？

相关问题
最新问题