在 Keras/Tensorflow 自定義損失函數中使用額外的 *trainable* 變量

Question

我知道如何使用附加輸入在y_true編寫自定義損失函數，而不是標准的y_true 、 y_pred對，見下文。 我的問題是輸入帶有可訓練變量（其中一些）的損失函數，該變量是損失梯度的一部分，因此應該更新。

我的解決方法是：

• 輸入網絡一個N X V大小的虛擬輸入，其中N是觀察值的數量和附加變量的V數量
• 添加一個Dense()層dummy_output以便dummy_output跟蹤我的V “權重”
• 在我的真實輸出層的自定義損失函數中使用該層的V權重
• 為此dummy_output層使用虛擬損失函數（僅返回 0.0 和/或權重 0.0），因此我的V “權重”僅通過我的自定義損失函數更新

我的問題是：是否有更自然的 Keras/TF-like 方式來做到這一點？ 因為它感覺如此做作，更不用說容易出現錯誤。

我的解決方法示例：

（是的，我知道這是一個非常愚蠢的自定義損失函數，實際上事情要復雜得多）

import numpy as np
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
from tensorflow.keras.layers import Dense
from tensorflow.keras.callbacks import EarlyStopping
import tensorflow.keras.backend as K
from tensorflow.keras.layers import Input
from tensorflow.keras import Model

n_col = 10
n_row = 1000
X = np.random.normal(size=(n_row, n_col))
beta = np.arange(10)
y = X @ beta

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# my custom loss function accepting my dummy layer with 2 variables
def custom_loss_builder(dummy_layer):
    def custom_loss(y_true, y_pred):
        var1 = dummy_layer.trainable_weights[0][0]
        var2 = dummy_layer.trainable_weights[0][1]
        return var1 * K.mean(K.square(y_true-y_pred)) + var2 ** 2 # so var2 should get to zero, var1 should get to minus infinity?
    return custom_loss

# my dummy loss function
def dummy_loss(y_true, y_pred):
    return 0.0

# my dummy input, N X V, where V is 2 for 2 vars
dummy_x_train = np.random.normal(size=(X_train.shape[0], 2)) 

# model
inputs = Input(shape=(X_train.shape[1],))
dummy_input = Input(shape=(dummy_x_train.shape[1],))
hidden1 = Dense(10)(inputs) # here only 1 hidden layer in the "real" network, assume whatever network is built here
output = Dense(1)(hidden1)
dummy_output = Dense(1, use_bias=False)(dummy_input)
model = Model(inputs=[inputs, dummy_input], outputs=[output, dummy_output])

# compilation, notice zero loss for the dummy_output layer
model.compile(
  loss=[custom_loss_builder(model.layers[-1]), dummy_loss],
  loss_weights=[1.0, 0.0], optimizer= 'adam')

# run, notice y_train repeating for dummy_output layer, it will not be used, could have created dummy_y_train as well
history = model.fit([X_train, dummy_x_train], [y_train, y_train],
                    batch_size=32, epochs=100, validation_split=0.1, verbose=0,
                   callbacks=[EarlyStopping(monitor='val_loss', patience=5)])

無論var1和var2 （ dummy_output層的初始化）的dummy_output是什么，它們都分別渴望減去inf和0 ，這似乎確實有效：

（此圖來自迭代運行模型並保存這兩個權重，如下所示）

var1_list = []
var2_list = []
for i in range(100):
    if i % 10 == 0:
        print('step %d' % i)
    model.fit([X_train, dummy_x_train], [y_train, y_train],
              batch_size=32, epochs=1, validation_split=0.1, verbose=0)
    var1, var2 = model.layers[-1].get_weights()[0]
    var1_list.append(var1.item())
    var2_list.append(var2.item())

plt.plot(var1_list, label='var1')
plt.plot(var2_list, 'r', label='var2')
plt.legend()
plt.show()

Answer 1

在這里回答我自己的問題，經過幾天的努力，我讓它在沒有虛擬輸入的情況下工作，我認為這要好得多，應該是“規范”的方式，直到 Keras/TF 簡化流程。 這就是 Keras/TF 文檔在這里的做法。

使用具有外部可訓練變量的損失函數的關鍵是通過使用自定義損失/輸出層，該層在call()實現中具有self.add_loss(...) ，如下所示：

class MyLoss(Layer):
    def __init__(self, var1, var2):
        super(MyLoss, self).__init__()
        self.var1 = K.variable(var1) # or tf.Variable(var1) etc.
        self.var2 = K.variable(var2)
    
    def get_vars(self):
        return self.var1, self.var2
    
    def custom_loss(self, y_true, y_pred):
        return self.var1 * K.mean(K.square(y_true-y_pred)) + self.var2 ** 2
    
    def call(self, y_true, y_pred):
        self.add_loss(self.custom_loss(y_true, y_pred))
        return y_pred

現在注意MyLoss層需要兩個輸入，實際的y_true和預測的y直到那時：

inputs = Input(shape=(X_train.shape[1],))
y_input = Input(shape=(1,))
hidden1 = Dense(10)(inputs)
output = Dense(1)(hidden1)
my_loss = MyLoss(0.5, 0.5)(y_input, output) # here can also initialize those var1, var2
model = Model(inputs=[inputs, y_input], outputs=my_loss)

model.compile(optimizer= 'adam')

最后，正如 TF 文檔所提到的，在這種情況下，您不必在fit()函數中指定loss或y ：

history = model.fit([X_train, y_train], None,
                    batch_size=32, epochs=100, validation_split=0.1, verbose=0,
                    callbacks=[EarlyStopping(monitor='val_loss', patience=5)])

再次注意， y_train作為輸入之一進入fit() 。

現在它的工作原理：

var1_list = []
var2_list = []
for i in range(100):
    if i % 10 == 0:
        print('step %d' % i)
    model.fit([X_train, y_train], None,
              batch_size=32, epochs=1, validation_split=0.1, verbose=0)
    var1, var2 = model.layers[-1].get_vars()
    var1_list.append(var1.numpy())
    var2_list.append(var2.numpy())

plt.plot(var1_list, label='var1')
plt.plot(var2_list, 'r', label='var2')
plt.legend()
plt.show()

（我還應該提到var1這種特定模式， var2高度依賴於它們的初始值，如果var1的初始值高於 1 它實際上不會減少直到減去inf ）