Question

我正在尝试编写自定义Keras丢失函数，但我遇到了实现和调试代码的问题。我的目标载体是：

y_pred = [p_conf, p_class_1, p_class_2]

其中，p_conf =置信度检测到感兴趣的事件

y_true示例：

[0, 0, 0] = no event of interest
[1, 1, 0] = first class event
[1, 0, 1] = second class event

我使用多标签分类获得了相对较好的结果（即在我的最后一层使用sigmoid激活和binary_crossentropy损失函数）但我想使用自定义损失函数来实验和改进我的结果，该函数计算：

当y_true = [0，...，...]
当y_true = [1，...，...]

这是YOLO对象检测算法使用的简化损失函数。我尝试调整an existing Keras / TensorFlow implementation of the YOLO loss function，但没有成功。

这是我目前的工作代码。它运行但产生不稳定的结果。即损失和准确性随时间降低。非常感谢任何帮助。

import tensorflow as tf
from keras import losses

def custom_loss(y_true, y_pred):

    # Initialisation
    mask_shape = tf.shape(y_true)[:0]
    conf_mask = tf.zeros(mask_shape)    
    class_mask = tf.zeros(mask_shape)

    # Labels
    true_conf = y_true[..., 0]
    true_class = tf.argmax(y_true[..., 1:], -1)

    # Predictions
    pred_conf = tf.sigmoid(y_pred[..., 0])
    pred_class = y_pred[..., 1:]   

    # Masks for selecting rows based on confidence = {0, 1}
    conf_mask = conf_mask + (1 - y_true[..., 0])
    class_mask = y_true[..., 0]

    nb_class = tf.reduce_sum(tf.to_float(class_mask > 0.0))

    # Calculate loss
    loss_conf = losses.binary_crossentropy(true_conf, pred_conf)
    loss_class = tf.nn.sparse_softmax_cross_entropy_with_logits(labels=true_class, logits=pred_class)
    loss_class = tf.reduce_sum(loss_class * class_mask) / nb_class

    loss = loss_conf + loss_class

    return loss

Keras

0 个答案: