Question

在Keras中实现自定义损失功能时，我需要一个tf.Variable，其形状为我的输入数据(y_true, y_pred)的批量大小。

def custom_loss(y_true, y_pred):

    counter = tf.Variable(tf.zeros(K.shape(y_true)[0], dtype=tf.float32))
    ...

但是，这会产生错误：

You must feed a value for placeholder tensor 'dense_17_target' with dtype float and shape [?,?]

如果我将batch_size固定为一个值：

def custom_loss(y_true, y_pred):

    counter = tf.Variable(tf.zeros(batch_size, dtype=tf.float32))
    ...

使得|training_set| % batch_size和|val_set| % batch_size等于零，一切正常。

有什么建议，为什么基于输入形状（y_true和y_pred）的批量大小的变量分配不起作用？

解决方案

我找到了令人满意的解决方案。我以最大的batch_size可能值初始化了变量（在模型构建期间指定），并且仅将K.shape(y_true)[0]用于切片变量。这样，它可以完美工作。这里的代码：

def custom_loss(y_true, y_pred):
    counter = tf.Variable(tf.zeros(batch_size, dtype=tf.float32))
    ...
    true_counter = counter[:K.shape(y_true)[0]]
    ...

Answer 1

它不起作用，因为K.shape返回一个符号形状，它是张量本身，而不是int值的元组。要从张量获取值，您必须在会话下对其进行评估。参见documentation。要在评估之前获得实际价值，请使用K.int_shape：https://keras.io/backend/#int_shape

但是，K.int_shape在这里也不起作用，因为它只是一些静态元数据，通常不会反映当前的批处理大小，但是具有占位符值None。

您发现的解决方案（可以控制批次大小并在损失范围内使用它）确实是一个很好的解决方案。

我相信问题是因为您需要在定义时知道批量大小以构建变量，但是只有在会话运行时才能知道。

如果像张量一样使用它，应该没问题，请参见example。

Answer 2

另一种解决方案是使用tf.assign和validate_shape=False动态创建变量并改变其形状：

counter = tf.Variable(0.0)
...
val = tf.zeros(tf.shape(y_true)[:1], 0.0)
counter = tf.assign(counter, val, validate_shape=False)

Keras自定义损失函数：形状为batch_size（y_true）的变量

2 个答案: