Question

在Keras损失函数中，我希望有一个np.nanmean()等效项：

在损失函数中，与以下简化示例等效的en失败，原因很明显。找不到解决该问题的方法，例如使用K.gather()。

一个简化的示例：

from keras import backend as K
import numpy as np


nominator = np.array([-6,4,-8,7,0,5,1,-2])
denominator = np.array([1,4,5,7,9,0,12,0])

Nom = K.variable(nominator,dtype='int32')
DeNom = K.variable(denominator,dtype='int32')

Ratio = Nom/DeNom
Loss = K.sum(Ratio)

由于分母为0，这将在Loss函数中返回一个nan：

K.eval(Loss)
nan

我想要某种方式来产生与

相同的结果

Loss = K.nansum(Ratio)

或等同于索引：


Filter_Ratio = K.gather(Ratio,K.any(DeNom))
Loss = K.sum(Filter_Ratio)

Filter_Ratio = [-6,4,-8,7,0,1]/[1,4,5,7,9,12]

但是没有K.nansum()并且K.gather()不能像这样工作。

我想转移到Keras的numpy实现是：

nominator = np.array([-6,4,-8,7,0,5,1,2])
denominator = np.array([1,4,5,7,9,0,12,0])
ind = denominator!=0
ratio = nominator[ind]/denominator[ind]

loss = np.sum(ratio)

Answer 1

from keras import backend as K
import tensorflow as tf


Nom = tf.constant([-6,4,-8,7,0,5,1,-2], dtype='int32')
DeNom = tf.constant([1,4,5,7,9,0,12,0], dtype='int32')
Ratio = Nom/DeNom
Ratio1 = tf.where(tf.is_inf(Ratio), tf.zeros_like(Ratio), Ratio)
Loss = K.sum(Ratio1)

with tf.Session() as sess:
    print (sess.run(Loss))

输出：

-5.516666666666667

划分张量并将Ratio张量中的无穷值替换为零

Ratio1 = tf.where(tf.is_inf(Ratio), tf.zeros_like(Ratio), Ratio)

tf.where与np.where

非常相似

https://www.tensorflow.org/api_docs/python/tf/where

有相当于np.nanmean（）的Keras吗？

1 个答案: