Question

我在Keras中使用了自定义损失函数。这是功能：

def custom_loss(groups_id_count):
  def listnet_loss(real_labels, predicted_labels):
    losses = tf.placeholder(shape=[None], dtype=tf.float32) # Tensor of rank 1
    for group in groups_id_count:
      start_range = 0
      end_range = (start_range + group[1])
      batch_real_labels = tf.slice(real_labels, [start_range, 1, None], [end_range, 1, None])
      batch_predicted_labels = tf.slice(predicted_labels, [start_range, 0, 0], [end_range, 0, 0])
      loss = -K.sum(get_top_one_probability(batch_real_labels)) * tf.math.log(get_top_one_probability(batch_predicted_labels))
      losses = tf.concat([losses, loss], axis=0)
      start_range = end_range
    return K.mean(losses)
  return listnet_loss

我将从real_labels到predicted_labels获得start_range和end_range个项目，但是当前代码返回一个异常：

错误：

TypeError: Failed to convert object of type <class 'list'> to Tensor.
Contents: [0, 1, None]. Consider casting elements to a supported type.

我不知道该怎么做，因为这是我第一次接触TensorFlow和Keras。如何使用张量索引来获取项目？预先感谢。

Answer 1

该错误是由于在None中指定了shape tf.placeholder而引起的，该错误发生在行

中

  batch_real_labels = tf.slice(real_labels, [start_range, 1, None], [end_range, 1, None])

解决方案是将variable定义为shape的{{1}}，并使用placeholder代替variable。

相同的代码如下所示：

None

此解决方法将修复错误h = tf.shape(losses)[0] batch_real_labels = tf.slice(real_labels, [start_range, 1, h], [end_range, 1, h])，但后续代码行可能会导致其他错误。

如果遇到其他错误，请共享TypeError: Failed to convert object of type <class 'list'> to Tensor. Contents: [0, 1, None]. Consider casting elements to a supported type.，包括功能error和目标的完整代码，以及使用该功能要实现的目标get_top_one_probability我会很乐意为您服务。

希望成为custom_loss和Tensorflow的新手，祝您学习愉快！

Answer 2

请使用后端功能 K.reshape 根据您自己的知识来重塑输入标签和输入预测。

对于标签，输入是不确定的（？，？），因此您需要通过重塑形状来对其进行修复。否则，您将无法为其编制索引。

使用Keras在自定义损失函数中索引张量

2 个答案: