Keras自定义丢失功能，每个示例具有不同的权重

Question

我正在尝试在Keras中实现一个自定义丢失函数，其中每个单独的示例（不是类）具有不同的权重。

确切地说，给定通常的y_true （例如<1,1,0>）和y_pred （例如<1,0.2,0.8>），我正在尝试创建权重 （例如<0.81,0.9,1.0>）和将这些与binary_crossentropy损失函数一起使用。 我试过了：

import numpy as np
from keras import backend as K

def my_binary_crossentropy(y_true, y_pred):
    base_factor = 0.9
    num_examples = K.int_shape(y_true)[0]

    out = [ K.pow(base_factor, num_examples - i - 1) for i in range(num_examples) ]
    forgetting_factors = K.stack(out)

    return K.mean(
        forgetting_factors * K.binary_crossentropy(y_true, y_pred),
        axis=-1
    )

并通过这个简单的例子正常工作：

y_true = K.variable( np.array([1,1,0]) )
y_pred = K.variable( np.array([1,0.2,0.8]) )
print K.eval(my_binary_crossentropy(y_true, y_pred))

但是，当我将它与model.compile(loss=my_binary_crossentropy, ...)一起使用时，我收到以下错误： TypeError: range() integer end argument expected, got NoneType 。

我尝试了一些事情。 我用K_shape替换了K.int_shape并且现在得到： TypeError: range() integer end argument expected, got Tensor. 我再次被替换范围（）与K.arange（）现在越来越： TypeError: Tensor objects are not iterable when eager execution is not enabled. To iterate over this tensor use tf.map_fn TypeError: Tensor objects are not iterable when eager execution is not enabled. To iterate over this tensor use tf.map_fn 。

有人可以帮我吗？ 我错过了什么？ 非常感谢！

Answer 1

K.pow可以将一系列指数作为参数。 因此，您可以首先计算指数，作为张量（ [num_examples - 1, num_examples - 2, ..., 0] ），然后将此张量提供给K.pow 。 这里num_examples基本上只是K.shape(y_pred)[0] ，它也是一个张量。

def my_binary_crossentropy(y_true, y_pred):
    base_factor = 0.9
    num_examples = K.cast(K.shape(y_pred)[0], K.floatx())
    exponents = num_examples - K.arange(num_examples) - 1
    forgetting_factors = K.pow(base_factor, exponents)
    forgetting_factors = K.expand_dims(forgetting_factors, axis=-1)
    forgetting_factors = K.print_tensor(forgetting_factors)  # only for debugging

    loss = K.mean(
        forgetting_factors * K.binary_crossentropy(y_true, y_pred),
        axis=-1
    )
    loss = K.print_tensor(loss)  # only for debugging
    return loss

例如，两个K.print_tensor语句打印的输出如下：

model = Sequential()
model.add(Dense(1, activation='sigmoid', input_shape=(100,)))
model.compile(loss=my_binary_crossentropy, optimizer='adam')

model.evaluate(np.zeros((3, 100)), np.ones(3), verbose=0)
[[0.809999943][0.9][1]]
[0.56144917 0.623832464 0.693147182]

model.evaluate(np.zeros((6, 100)), np.ones(6), verbose=0)
[[0.590489924][0.656099916][0.728999913]...]
[0.409296423 0.454773813 0.505304217...]

由于舍入误差，数字不准确。 在forgetting_factors （后打印的第一行model.evaluate ）确实的0.9的权力。 您还可以验证返回的损失值是否衰减0.9（ 0.623832464 = 0.693147182 * 0.9和0.56144917 = 0.693147182 * 0.9 ** 2等）。

Answer 2

在张量流中，您首先在运行之前使用张量预定义图形。 因此，使用numpy数组的函数不能与tensorflow一起使用是很常见的。 在您的情况下，num_examples是问题所在。

想象一下，在张量流中，每次需要时都不会调用此损失函数，而是在模型训练时，此损失函数将构建用于计算图形内部损失函数的图形。

所以当keras想要尝试在tensorflow中构建你的损失函数时，你的y_true是一个抽象张量，你的第一个形状很可能会有None，因为batch_size还没有定义。

你必须以一种你不依赖于batch_size =>删除变量num_examples的方式重写你的损失函数