![](/img/trans.png)
[英]Custom loss function Tensorflow 2 [Keras symbolic inputs/outputs do not implement]
[英]Custom loss function on subset of outputs based on inputs
我想创建一个损失函数,其中 MSE 仅在输出的子集上计算。 子集取决于输入数据。 我使用这个问题的答案来弄清楚如何根据输入数据创建自定义函数:
但是,我在实现自定义功能时遇到了麻烦。
这是我整理的内容。
def custom_loss(input_tensor):
def loss(y_true, y_pred):
board = input_tensor[:81]
answer_vector = board == .5
#assert np.sum(answer_vector) > 0
return K.mean(K.square(y_pred * answer_vector - y_true), axis=-1)
return loss
def build_model(input_size, output_size):
learning_rate = .001
a = Input(shape=(input_size,))
b = Dense(60, activation='relu')(a)
b = Dense(60, activation='relu')(b)
b = Dense(60, activation='relu')(b)
b = Dense(output_size, activation='linear')(b)
model = Model(inputs=a, outputs=b)
model.compile(loss=custom_loss(a), optimizer=Adam(lr=learning_rate))
return model
model = build_model(83, 81)
我希望 MSE 在电路板不等于 0.5 的任何地方将输出视为 0。 (真正的值是一个热编码,一个在子集中)。 出于某种原因,我的输出始终被视为零。 换句话说,自定义损失函数似乎没有找到任何棋盘等于 0.5 的地方。
我不知道我是否误解了维度,或者比较是否由于张量而失败,或者即使只有一种通常更简单的方法来做我正在尝试的事情。
问题是answer_vector = board == .5
不是你想的那样。 它不是张量,而是布尔值 False,因为 board 是张量而 0.5 是数字:
a = tf.constant([0.5, 0.5])
print(a == 0.5) # False
现在, a * False
是一个零向量:
with tf.Session() as sess:
print(sess.run(a * False)) # [0.0, 0.0]
您需要使用 tf.equal 而不是 ==。 另一个可能的陷阱是将浮点数与相等进行比较是危险的,请参阅例如在 Java 中使用 == 比较浮点数有什么问题?
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.