為Keras編寫元素的自定義損失函數元素

Question

我是機器學習，python和tensorflow的新手。 我習慣用C ++或C＃編寫代碼，我很難使用tf.backend。 我正在嘗試為LSTM網絡編寫自定義丟失函數，該網絡試圖預測時間序列的下一個元素是正還是負。 我的代碼與binary_crossentropy損失函數運行良好。 我現在想改進我的網絡有一個損失函數，如果預測概率大於0.5，則增加下一個時間序列元素的值，如果概率小於或等於0.5，則減去它。 我試過這樣的事情：

def customLossFunction(y_true, y_pred):
    temp = 0.0
    for i in range(0, len(y_true)):
        if(y_pred[i] > 0):
            temp += y_true[i]
        else:
            temp -= y_true[i]
    return temp

顯然，尺寸是錯誤的，但由於我在調試時無法進入我的功能，因此很難掌握尺寸。 如果我可以使用逐個元素的功能，你能告訴我嗎？ 如果有，怎么樣？ 如果沒有，你能用tf.backend幫助我嗎？ 非常感謝

Answer 1

從keras后端函數，您可以使用greater的函數：

import keras.backend as K

def customLossFunction(yTrue,yPred)

    greater = K.greater(yPred,0.5)
    greater = K.cast(greater,K.floatx()) #has zeros and ones
    multiply = (2*greater) - 1 #has -1 and 1

    modifiedTrue = multiply * yTrue

    #here, it's important to know which dimension you want to sum
    return K.sum(modifiedTrue, axis=?)

應根據要求的總和使用axis參數。

axis=0 -> batch or sample dimension (number of sequences)     
axis=1 -> time steps dimension (if you're using return_sequences = True until the end)     
axis=2 -> predictions for each step 

現在，如果您只有2D目標：

axis=0 -> batch or sample dimension (number of sequences)
axis=1 -> predictions for each sequence

如果您只想對每個序列求和，那么就不要放軸參數。

關於此功能的重要說明：

由於它僅包含來自yTrue值，因此無法反向傳播以更改權重。 這將導致“無值不支持”錯誤或類似的東西。

雖然yPred （連接到模型權重的那個）在函數中使用，但它僅用於獲得真正的x false條件，這是不可微分的。