Question

我需要在keras中实现一个自定义损失函数来计算标准的分类交叉熵，除非y_true全为零。

这是我尝试这样做的：

def masked_crossent(y_true, y_pred):
    return K.switch(K.any(y_true),
                    losses.categorical_crossentropy(y_true, y_pred),
                    losses.categorical_crossentropy(y_true, y_pred) * 0)

但是，一旦训练开始，我会收到以下错误（编译工作正常）：

〜/ anaconda3 / LIB / python3.5 /站点包/ tensorflow /蟒/客户端/ session.py   在 init （自我，图表，提取，Feed）       419 self._ops.append（True）       420其他：    - ＆GT; 421 self._assert_fetchable（graph，fetch.op）       422 self._fetches.append（fetch_name）       423 self._ops.append（False）

〜/ anaconda3 / LIB / python3.5 /站点包/ tensorflow /蟒/客户端/ session.py   在_assert_fetchable中（self，graph，op）       432如果不是graph.is_fetchable（op）：       433引发ValueError（    - ＆GT; 434＆＃39;操作％r已被标记为不可获取。＆＃39; ％op.name）       435       436 def fetches（self）：

ValueError：Operation＆＃39; IsVariableInitialized_4547＆＃39;已被标记为   不可取。

代替losses.categorical_crossentropy(y_true, y_pred) * 0，我还尝试了以下各种其他错误（无论是在编译期间还是在培训开始之后）：

                    K.zeros_like(losses.categorical_crossentropy(y_true, y_pred))

                    K.zeros((K.int_shape(y_true)[0]))

                    K.zeros((K.int_shape(y_true)[0], 1))

......虽然我想有一种无关紧要的方法可以做到这一点。

Answer 1

我只想到一个解决方法：

def masked_crossent(y_true, y_pred):
    return K.max( y_true ) * K.categorical_crossentropy(y_true, y_pred)

如果是整批，则需要添加axis = -1。

在自定义丢失函数中使用`switch` /`cond`

1 个答案: