如何基于y_true在keras中自定义损失函数

Question

我想基于y_true值自定义损失函数。 y_true是一个二进制值。对于每个迷你批处理，我想以不同的方式对待y_true == 0和y_true == 1。目前，我有：

def custom_loss(y_true, y_pred):
    y_true_f = K.flatten(y_true)
    y_pred_f = K.flatten(y_pred)
    zero = tf.fill(tf.shape(y_true_f), 0.0)
    one = tf.fill(tf.shape(y_true_f), 1.0)
    mask_0 = tf.equal(y_true_f,zero)
    mask_1 = tf.equal(y_true_f,one)
    y_pred_1 = tf.boolean_mask(y_pred_f,mask_1)
    y_pred_0 = tf.boolean_mask(y_pred_f,mask_0)
    y_true_1 = tf.boolean_mask(y_true_f,mask_1)
    y_true_0 = tf.boolean_mask(y_true_f,mask_0)
    loss1 = K.binary_crossentropy(y_true_1,y_pred_1)
    loss0 = K.binary_crossentropy(y_true_0,y_pred_0)
    loss = loss1 +a*loss0 # a is an arbitrary number

但是，我遇到了一次失落错误。我猜这是因为我正在训练不平衡数据，其中只有少数情况具有y_true == 1。因此，当此小批量中没有y_true == 1时，就存在nan。我想添加是否基于mask_1形状的条件。我该怎么办？

Answer 1

您可以使用与交叉熵损失函数相同的技术来实现此目的。这是函数loss = ((y_true)*(Loss1)) + ((1 - y_true)*(Loss2))，因此，如果您的y_true = 0，则第一项将等于零并产生loss = ((0)*Loss1) + ((1 - 0)*Loss2) = Loss2。如果您的y_true = 1，第二项将为零，loss = ((1)*Loss1) + ((1 - 1)*Loss2) = Loss1

因此，您可以根据自己的y_true = {0,1}

设置2种损失函数