自定义Keras损失（不具有形式f（y_true，y_pred））

Question

def charbonnier(I_x, I_y, I_t, U, V, e):
    loss = K.sqrt(K.pow((U*I_x + V*I_y + I_t), 2) + e)
    return K.sum(loss)

我想使用这个成本函数并对U和V进行优化。由于Keras损失函数只能具有f（y_true，y_pred）的形式，因此我目前正在努力使其与Keras一起使用。

我的模型是完全不受监督的，我没有事实依据。 I_x，I_y和I_t是常量，模型的目标是学习使E（F）最小的U和V。所以我的问题是： 在Keras中实现这种损失函数（不具有形式f（y_true，y_pred））的正确方法是什么？

Answer 1

我认为您可能需要修改代码以调整喀拉拉邦的标准。如果网络不受监督，则可以让y_pred == y_ture像自动编码器一样。

Answer 2

如下定义损失函数：

def charbonnier(I_x, I_y, I_t, U, V, e)
    def loss_fun(y_true, y_pred):
        loss = K.sqrt(K.pow((U*I_x + V*I_y + I_t), 2) + e)
        return K.sum(loss)
    return loss_fun

Answer 3

如您所见，tf.keras.models.Model.compile 方法中使用的 Keras 损失是面向监督学习的。对于无监督学习（不包括自监督学习，例如 VAE 和 SimCLR），一个好的解决方案是将损失作为张量直接添加到模型中。例如，

inp = tf.keras.layers.Input(...)
u = ...(inp)
v = ...(inp)
model = tf.keras.models.Model(inp, [u,v])

charbonnier_loss_tensor = tf.reduce_sum(tf.sqrt(tf.pow((U*I_x + V*I_y + I_t), 2) + e))
model.add_loss(charbonnier_loss_tensor)