[英]Keras custom loss function with different weights per example
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!
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)。
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
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.