为keras模型编写和测试自定义损失或度量函数

Question

我尝试使用机器学习技术来预测事件发生的时间。我的预测将是长度为20的概率向量v，v [i]为 事件在i + 1天内发生的概率（i范围为0到19）。

如何测试编写的自定义损失和指标函数？

我想使用以下损失和指标来训练模型：

她是我尝试实现的方法：

from keras import backend as K

def weighted_meansquare(y_true, y_pred):
    w = K.constant(np.array([i + 1 for i in range(20)]))
    return K.sum(K.square(w * y_pred - w * y_true))

def esperance_metric(y_true, y_pred):
    w = K.constant(np.array([i + 1 for i in range(20)]))
    return K.sum(w * y_true - w * y_true)

我希望模型使度量最小化（这基本上是一个期望，因为我的模型返回了概率向量）。但是，当我尝试拟合模型时，会看到指标始终为0.0000e + 00。

我正在寻找的是：

1. 有关如何对这些函数进行编码的一些具体提示

2. 有关测试keras.backend函数的一些一般提示

Answer 1

您在esperance_metric的定义中有一个错字：您使用y_true - y_true而不是y_pred - y_true，这就是度量标准始终为0的原因。

我还发现weighted_meansquare中有一个错误。您应按照以下所示乘以正方形后乘w：

K.sum(w * K.square(y_pred - y_true))

通常，如果要测试后端功能，可以尝试使用K.eval对其进行评估。例如：

y_pred = K.constant([1.] * 20)
y_true = K.constant([0.] * 20)
print(K.eval(esperance_metric(y_true, y_pred)))