Question

我试图将自定义损失mse函数与keras结合使用，以更加强调DNN模型的小价值。

我确实尝试过这样的事情：

import keras.backend as K
def scaled_mse(y_true,y_pred):
    loss = K.square(y_pred - y_true)
    if y_true>0.1:
        loss=loss/K.abs(y_true)
     return loss

我的ML模型的输入为41值。输出仅为1个值。

但是它返回此错误： OperatorNotAllowedInGraphError：在图形执行中不允许将tf.Tensor用作Python bool。使用急切执行或使用@ tf.function装饰此功能。

感谢您的帮助！

Answer 1

您的代码存在的问题是if运算符对于每个keras后端都是不可区分的。但是，如果您考虑此操作的区别，那就很简单了。仅当条件评估为True时，梯度才依赖于一个项，如果条件评估为False，则梯度也依赖于另一项。因此，修复应该很简单。我相信Keras后端提供了switch()操作，它本质上是条件语句的可区分形式。尝试改用它。

switch()包含三个参数：第一个是条件表达式，第二个是张量，如果条件的值为真，则从中取值；第三个是张量，如果条件的值等于，则取值。假。因此您的代码可能看起来像这样：

import keras.backend as K
def scaled_mse(y_true,y_pred):

   # both loss and scale loss are size 41

   loss = K.square(y_pred - y_true)
   scaled_loss = loss/K.abs(y_true)

   # first arg (bool expression) will evaluate to a bool tensor of size 41, 
   # which then indicates from which tensor to select the value for each 
   # element of the output tensor

   scale_mse_loss = K.switch((y_true > 0.1),scaled_loss,loss)
   return scale_mse_loss

在自定义损失mse函数中添加if条件

1 个答案: