Question

我正在研究超分辨率GAN，并且对我在Github上找到的代码有一些疑问。特别是，我在模型中有多个输入，多个输出。另外，我有两个不同的损失函数。

在下面的代码中，是否会将mse损失应用于img_hr和fake_features？

# Build and compile the discriminator
        self.discriminator = self.build_discriminator()
        self.discriminator.compile(loss='mse',
            optimizer=optimizer,
            metrics=['accuracy'])

        # Build the generator
        self.generator = self.build_generator()

        # High res. and low res. images
        img_hr = Input(shape=self.hr_shape)
        img_lr = Input(shape=self.lr_shape)

        # Generate high res. version from low res.
        fake_hr = self.generator(img_lr)

        # Extract image features of the generated img
        fake_features = self.vgg(fake_hr)

        # For the combined model we will only train the generator
        self.discriminator.trainable = False

# Discriminator determines validity of generated high res. images
        validity = self.discriminator(fake_hr)

        self.combined = Model([img_lr, img_hr], [validity, fake_features])
        self.combined.compile(loss=['binary_crossentropy', 'mse'],
                              loss_weights=[1e-3, 1],
                              optimizer=optimizer)

Answer 1

在以下代码中，mse损失将应用于img_hr和 fake_features？

根据文档https://keras.io/models/model/#compile

“ 如果模型具有多个输出，则可以通过传递字典或损失列表来对每个输出使用不同的损失。”

在这种情况下，mse损失将应用于fake_features，并将相应的y_true作为self.combined.fit()的一部分传递。

Answer 2

在神经网络中，损耗被应用于网络的输出，以便具有一种测量“此输出有多错误？”的方法。因此您可以使用此值，并通过“渐变体面”和“反向传播”将其最小化。按照这种直觉，以角值表示的损失是一个列表，其长度与模型的输出相同。它们适用于具有相同索引的输出。

self.combined = Model([img_lr, img_hr], [validity, fake_features])

这为您提供了一个具有2个输入（img_lr，img_hr）和2个输出（有效性，fake_features）的模型。因此，combined.compile(loss=['binary_crossentropy', 'mse']...使用binary_crossentropy损失以确保有效性，并使用均方误差作为fake_features。

Keras多输入，输出，损失模型

2 个答案: