如何在 keras 中实现自定义成本 function？

Question

我有以下成本函数 = argmin L1+L2，其中 L1 是均方误差，L2 是 -λ Summation( Square((y) x (z) )) 其中 y 是预测的 output 图像，z 是给定的输入图像至 model。 y 和 z 的元素乘法，然后取平方。 λ 是 L1 和 L2 之间的权衡参数。 我不知道如何实现，我做了如下

def custom_loss(i):

        def loss(y_true, y_pred):

            y_true=K.cast(y_true, dtype='float32')
            y_pred=K.cast(y_pred, dtype='float32')
            input_image=K.cast(i, dtype='float32')

            mul=tf.math.multiply(input_image,y_pred)
            L1=K.mean(K.square(mul),axis=1)
            L2=K.mean(K.square(y_pred - y_true), axis=-1)
            closs=L1-L2
            return closs

        return loss

Answer 1

一部分一部分地打破你的问题

其中 L1 是均方误差

因此， L1 = np.square(np.subtract(y_true,y_pred)).mean()

L2 是 -λ Summation( Square((y) x (z) ))，其中 y 是预测的 output 图像，z 是 model 的给定输入图像。 y和z的元素乘法，然后取平方

因此， L2 = np.sum(np.concatenate(np.square(np.multiply(y_true,y_pred)))) 。 您意识到 L2 将是一个非常大的损失数字。

总结一下，这就是您的损失 function 的样子 -

def custom_loss(y_true,y_pred):
    def loss(y_true, y_pred):
        y_true = img_to_array(y_true)
        y_pred = img_to_array(y_pred)
        L1 = np.square(np.subtract(y_true,y_pred)).mean()
        L2 = np.sum(np.concatenate(np.square(np.multiply(y_true,y_pred))))
        loss=L1-L2
        return loss

我在这里编写了一个简单的代码来将图像加载为 y_true 并裁剪 y_pred 的中心部分并执行您提到的损失（没有太大意义，因为值很大） 。

代码 -

import tensorflow as tf
from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array, array_to_img
from matplotlib import pyplot

# Load the image
y_true = load_img('/content/bird.jpg', target_size=(224, 224))

# Convert Image to array
image = img_to_array(y_true)

# Central crop image
image = tf.image.central_crop(image, np.random.uniform(0.50, 1.00))

# Resize to original size of image
image = tf.image.resize(image, (224, 224))

# convert the image to an array
y_pred = array_to_img(image)

# def custom_loss():
#     def loss(y_true, y_pred):
#         y_true = img_to_array(y_true)
#         y_pred = img_to_array(y_pred)
#         L1 = np.square(np.subtract(y_true,y_pred)).mean()
#         L2 = np.sum(np.concatenate(np.square(np.multiply(y_true,y_pred))))
#         loss=L1-L2
#         return loss

def loss(y_true, y_pred):
    y_true = img_to_array(y_true)
    y_pred = img_to_array(y_pred)
    L1 = np.square(np.subtract(y_true,y_pred)).mean()
    L2 = np.sum(np.concatenate(np.square(np.multiply(y_true,y_pred))))
    loss=L1-L2
    return loss

x = loss(y_true,y_pred)
print(x)

Output -

-251577020000000.0