我是否需要使用后端功能自定義Keras丟失

Question

我想用Keras實現本文顯示的自定義損失函數。

我的損失並沒有減少，我感覺是因為損失的實現：它不使用Keras的后端進行所有操作，而是結合了一些K函數，簡單操作和numpy ：

def l1_matrix_norm(M):
    return K.cast(K.max(K.sum(K.abs(M), axis=0)), 'float32')

def reconstruction_loss(patch_size, mask, center_weight=0.9):
    mask = mask.reshape(1, *mask.shape).astype('float32')
    mask_inv = 1 - mask

    def loss(y_true, y_pred):
        diff = y_true - y_pred

        center_part = mask * diff
        center_part_normed = l1_matrix_norm(center_part)

        surr_part = mask_inv * diff
        surr_part_normed = l1_matrix_norm(surr_part)

        num_pixels = np.prod(patch_size).astype('float32')

        numerator = center_weight * center_part_normed + (1 - center_weight) * surr_part_normed

        return numerator / num_pixels

    return loss

是否有必要使用Keras函數，如果需要，我需要哪種類型的操作（我看到了一些代碼，其中簡單的操作（例如加法）不使用K ）。

另外，如果我必須使用Keras后端函數，可以改為使用TensorFlows函數嗎？

Answer 1

NN訓練取決於能夠計算圖中所有函數（包括損失函數）的導數。 注釋Keras后端函數和TensorFlow函數，以便tensorflow（或其他后端）自動知道如何計算梯度。 numpy函數不是這種情況。 如果您確實知道如何手動計算其梯度，則可以使用非tf函數（請參閱tf.custom_gradients ）。 一般來說，我建議最好堅持使用后端功能，然后在必要時再使用tensorflow功能。