Question

我遇到错误-“ Tensor”对象没有属性“ log”，我在Keras中编码以构建网络，同时将自定义损失功能应用于Keras。我认为有些我需要摆脱np.log，但不确定如何。请帮助。

导入Numpy

import numpy as np

自定义功能

def rmsle(y_pred,y_test):
   return np.sqrt(np.mean((np.log(1+y_pred) - np.log(1+y_test))**2))

我的网络

def base_model():
   model = Sequential()
   model.add(Dense(50, input_dim=X_train.shape[1], init='normal',     activation='sigmoid'))
   model.add(Dropout(0.5))

   model.add(Dense(1, init='normal'))
   sgd = SGD(lr=0.01, momentum=0.8, decay=0.1, nesterov=False)
   model.compile(loss=rmsle, optimizer = sgd)# )'adam') #
   return model

keras = KerasRegressor(build_fn=base_model, nb_epoch=80, batch_size=1,verbose=1)
keras.fit(X_train ,y_train)

当我详细检查错误消息时，它表明

424         """
425         # score_array has ndim >= 2
--> 426         score_array = fn(y_true, y_pred)
427         if mask is not None:
428             # Cast the mask to floatX to avoid float64 upcasting in theano
2     #return np.sqrt(np.mean(np.square( np.log( (np.exp(a)) + 1 ) - np.log((np.exp(b))+1) )))
----> 4     return np.sqrt(np.mean((np.log(1+y_pred) - np.log(1+y_test))**2))
2     #return np.sqrt(np.mean(np.square( np.log( (np.exp(a)) + 1 ) - np.log((np.exp(b))+1) )))

Answer 1

您必须从后端（即从keras.backend开始）使用有效的张量操作才能定义自定义损失函数。例如，您的损失函数可以定义如下：

import keras.backend as K

def rmsle(y_test, y_pred):
    return K.sqrt(K.mean(K.square(K.log(1 + y_pred) - K.log(1 + y_test))))

注意：：Keras希望第一个参数为y_test（别名地面真理）。

Answer 2

Keras中的Lambda层可帮助您实现未预构建且不需要可训练的权重的功能。因此，您可以自由地实现自己的逻辑，在这种情况下为“ Log”

这也可以使用keras Lambda层来完成，如下所示：

from keras.layers import Lambda
import keras.backend as K

在这里定义您的功能：

def logFun(x):
   return keras.backend.log(x)

然后创建一个lambda层：

model.add(Lambda(logFun, ...))

Keras AttributeError：“张量”对象没有属性“ log”

2 个答案: