Question

我感兴趣在tensorflow中使用自定义丢失函数，该函数考虑了错误类型。例如，我想创建一个函数来衡量某种类型的错误（预测类1，标签为3级）比其他错误（预测类2标签为3级）。原因在于我正在进行的一个当前项目，其中课程的排名明确（尽管只是按顺序排列）。

我使用Keras实现了与（https://github.com/keras-team/keras/issues/2115#issuecomment-204060456）中显示的丢失功能类似的功能。但是，我想知道如何在tensorflow中直接实现类似的东西。目前，我遗憾地没有运气。我尝试在tensorflow中使用或多或少使用它（使用tf.keras.backend调用K. parts），但没有运气（参见代码块1）。我也尝试用矩阵乘法（使用tf.matmul）编写类似的东西，但后来我的错误发生了分歧（参见代码块2）。请注意，Omega是一个带有重量的K x K矩阵。

对于K类，我希望总共有K ^ 2个不同的权重，考虑到每种类型的分类和错误分类。

非常感谢任何帮助！这是我第一次询问有关stackoverflow的问题，所以如果我做错了什么，一定要告诉我。

代码1：

number_of_classes = 3
modifier = tf.keras.backend.zeros_like(output_softmax[:, 0])
y_pred_max = tf.keras.backend.max(output_softmax, axis = 1)
y_pred_max = tf.keras.backend.expand_dims(y_pred_max, 1)
y_pred_max_mat = tf.keras.backend.equal(output_softmax, y_pred_max)
for i, j in product(range(number_of_classes), range(number_of_classes)):
    modifier += (tf.keras.backend.cast(Omega[j, i], tf.keras.backend.floatx()) *
                 tf.keras.backend.cast(y_pred_max_mat[:, i], tf.keras.backend.floatx()) * tf.keras.backend.cast(y_[:, j], tf.keras.backend.floatx()))
loss =  tf.keras.backend.categorical_crossentropy(output_softmax, y_) * modifier

问题：现在我对给定时代的损失不是一个数字，而是一个矩阵。检查提前停止时（我跟踪每个时期的损失，并将当前损失与最小损失进行比较），发生以下错误：

ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()`

代码2：

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels = y_, logits = output))
mod_loss = tf.reduce_mean(tf.multiply(loss, tf.matmul(tf.matmul(y_, Omega), output_softmax, transpose_b=True)))

问题：现在我的损失随着时间的推移而增加。

Answer 1

我设法解决了这个问题。我会尽可能地标记为已解决（需要等待5个小时）。

张量流中的损失函数对分类类型敏感

1 个答案: