Question

众所周知，keras中的sparse_categorical_crossentropy可以获得每个类别中的平均损失函数。但是，如果我最关心的只有一个类别呢？就像我想基于此类别定义精度（= TP /（TP + FP））作为损失函数一样，我该如何编写它？谢谢！

我的代码就像：

from keras import backend as K
def my_loss(y_true,y_pred):
    y_true = K.cast(y_true,"float32")
    y_pred = K.cast(K.argmax(y_pred),"float32")
    nominator = K.sum(K.cast(K.equal(y_true,y_pred) & K.equal(y_true, 0),"float32"))
    denominator = K.sum(K.cast(K.equal(y_pred,0),"float32"))
    return -(nominator + K.epsilon()) / (denominator + K.epsilon())

错误就像：

argmax is not differentiable

Answer 1

您可以将fit [{1}}参数传递给fit方法，以确定哪些类更重要。

应该是字典：

class_weight

自定义丢失

如果这不是您所需要的，您可以创建丢失函数，如：

{
    0: 1, #class 0 has weight 1
    1: 0.5, #class 1 has half the importance of class 0
    2: 0.7, #....
    ...
}

Answer 2

您不能使用argmax，因为它不可区分。这意味着如果无法区分损失函数，则反向传播将无法工作。

执行y_true * y_pred，而不是使用argmax。

Answer 3

我不建议您将精度用作损失函数。

无法将其设置为nn的损失函数。
您可以通过将所有实例预测为负类来最大化它，这没有任何意义。

另一种解决方案是使用F1作为损失函数，然后手动调整概率截止值以获得所需的精确度以及召回率不太低。

如何在Keras中将精度定义为损失函数？

3 个答案: