Question

假设我有一个网络，应该学习两个不同的任务，例如识别图像是否包含猫，狗或两者。假设我们只有一些标签。因此，对于某些图像，我们知道有一只猫，对于某些图像，我们知道没有猫，对于某些图像，我们知道有一只狗，对于某些图像，我们知道没有一只狗。然后标签看起来像这样（狗第一，猫第二）：

[[None, 1]. [None, 0], [None, 0], [1, None], ...]

含义

对于第一个条目，我们知道猫在场，但是我们不知道是否有狗
对于第二项，我们知道没有猫，但是我们不知道是否有狗。
对于第三项，我们知道没有猫，但是我们不知道是否有狗。
对于第四项，我们知道它是狗，但如果没有猫则不是。

当然，这些标签可以很容易地分为两部分：

标签：[[-1, 1]. [-1, 0], [-1, 0], [1, -1], ...]
遮罩：[[1, 0]. [1, 0], [1, 0], [0, 1], ...]-在进行梯度计算时应忽略的部分。

我该如何掩盖这些标签的渐变，以便在出现None时不尝试学习？

Answer 1

让我们假设mask是形状为(batch_size, 2)的张量，并且如果mask[i, j]的第j标签为i，则import keras.backend as K def custom_loss(mask): # Mask: tensor with shape=(None, 2) def loss(y_true, y_pred): return K.mean(mask * K.binary_crossentropy(y_true, y_pred)) return loss为0示例未定义，否则为1。然后，要掩盖渐变，可以如下定义损失函数：

//content[contains(text(), '"Learn more"')]

注意：未测试。

如何在Keras中将输出掩盖为“不可用/不训练”？

1 个答案: