如何在计算损失函数时使用 keras 层的权重？

Question

我正在尝试构建一个只有一层的自动编码器：

from keras import backend as K

def cost2(y_true, y_pred):
    print "shapes:", model.get_weights()[0].shape
    yy = K.dot( y_pred, model.get_weights()[0].T )
    return np.sum((y_true - yy)**2)

x = Input(shape=(original_dim,))
y = Dense(latent_dim)(x)
model = Model(inputs=x, outputs=y)
model.summary()
model.compile(optimizer='adagrad', loss=cost2)

这给了我错误：

Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         (None, 784)               0         
_________________________________________________________________
dense_1 (Dense)              (None, 2)                 1570      
=================================================================
Total params: 1,570
Trainable params: 1,570
Non-trainable params: 0
_________________________________________________________________

shapes: (784, 2)

回溯（最近一次调用）：文件“vae_kears_gidital_mnist3.py”，第 45 行，在 model.compile(optimizer='adagrad', loss=cost2) 文件“/Users/asgharrazavi/anaconda/lib/python2.7/site-包/keras/engine/training.py”，第830行，在编译sample_weight，掩码中）文件“/Users/asgharrazavi/anaconda/lib/python2.7/site-packages/keras/engine/training.py”，第429行, in weighted score_array = fn(y_true, y_pred) File "vae_kears_gidital_mnist3.py", line 18, in cost2 yy = K.dot(y_pred, model.get_weights()[0].T ) File "/Users/asgharrazavi/anaconda /lib/python2.7/site-packages/keras/backend/tensorflow_backend.py", line 1048, in dot if ndim(x) is not None and (ndim(x) > 2 or ndim(y) > 2):文件“/Users/asgharrazavi/anaconda/lib/python2.7/site-packages/keras/backend/tensorflow_backend.py”，第 606 行，在 ndim dims = x.get_shape()._dims AttributeError: 'numpy.ndarray' object没有属性“get_shape”

我只是试图将模型的输出乘以模型的转置权重以返回输入维度。 有任何想法吗？

Answer 1

您的成本函数应返回 keras 张量而不是numpdy ndarray 。 您应该只使用使用keras.backend功能或特定后端功能（例如tf.something在custome损失函数）（即K.sum而不是np.sum ）

这是您在问题中提到的错误的原因，但更重要的是，您没有以keras 的方式创建模型来创建自动编码器。 在 keras 中，您的模型将使用两层（编码器和解码器）创建，其中层共享具有转置和标准 MSE 损失的权重。 我建议你阅读这篇文章keras博客，并看看这个问题。