为Keras编写元素的自定义损失函数元素

Question

我是机器学习，python和tensorflow的新手。 我习惯用C ++或C＃编写代码，我很难使用tf.backend。 我正在尝试为LSTM网络编写自定义丢失函数，该网络试图预测时间序列的下一个元素是正还是负。 我的代码与binary_crossentropy损失函数运行良好。 我现在想改进我的网络有一个损失函数，如果预测概率大于0.5，则增加下一个时间序列元素的值，如果概率小于或等于0.5，则减去它。 我试过这样的事情：

def customLossFunction(y_true, y_pred):
    temp = 0.0
    for i in range(0, len(y_true)):
        if(y_pred[i] > 0):
            temp += y_true[i]
        else:
            temp -= y_true[i]
    return temp

显然，尺寸是错误的，但由于我在调试时无法进入我的功能，因此很难掌握尺寸。 如果我可以使用逐个元素的功能，你能告诉我吗？ 如果有，怎么样？ 如果没有，你能用tf.backend帮助我吗？ 非常感谢

Answer 1

从keras后端函数，您可以使用greater的函数：

import keras.backend as K

def customLossFunction(yTrue,yPred)

    greater = K.greater(yPred,0.5)
    greater = K.cast(greater,K.floatx()) #has zeros and ones
    multiply = (2*greater) - 1 #has -1 and 1

    modifiedTrue = multiply * yTrue

    #here, it's important to know which dimension you want to sum
    return K.sum(modifiedTrue, axis=?)

应根据要求的总和使用axis参数。

axis=0 -> batch or sample dimension (number of sequences)     
axis=1 -> time steps dimension (if you're using return_sequences = True until the end)     
axis=2 -> predictions for each step 

现在，如果您只有2D目标：

axis=0 -> batch or sample dimension (number of sequences)
axis=1 -> predictions for each sequence

如果您只想对每个序列求和，那么就不要放轴参数。

关于此功能的重要说明：

由于它仅包含来自yTrue值，因此无法反向传播以更改权重。 这将导致“无值不支持”错误或类似的东西。

虽然yPred （连接到模型权重的那个）在函数中使用，但它仅用于获得真正的x false条件，这是不可微分的。