在 Keras 中实现批次相关的损失
Posted
技术标签:
【中文标题】在 Keras 中实现批次相关的损失【英文标题】:Implementing a batch dependent loss in Keras 【发布时间】:2019-04-05 21:56:47 【问题描述】:我在 Keras 中设置了一个自动编码器。我希望能够根据预定的“精度”向量对输入向量的特征进行加权。这个连续值向量与输入的长度相同,每个元素都在[0, 1]
范围内,对应输入元素的置信度,其中1表示完全置信,0表示不置信。
我为每个示例都有一个精度向量。
我已经定义了一个考虑到这个精度向量的损失。在这里,低置信度特征的重建被降低权重。
def MAEpw_wrapper(y_prec):
def MAEpw(y_true, y_pred):
return K.mean(K.square(y_prec * (y_pred - y_true)))
return MAEpw
我的问题是精度张量 y_prec
取决于批次。我希望能够根据当前批次更新y_prec
,以便每个精度向量与其观察正确关联。
我做了以下事情:
global y_prec
y_prec = K.variable(P[:32])
这里的P
是一个 numpy 数组,其中包含所有精度向量,其索引对应于示例。我将y_prec
初始化为具有32 批大小的正确形状。然后我定义以下DataGenerator
:
class DataGenerator(Sequence):
def __init__(self, batch_size, y, shuffle=True):
self.batch_size = batch_size
self.y = y
self.shuffle = shuffle
self.on_epoch_end()
def on_epoch_end(self):
self.indexes = np.arange(len(self.y))
if self.shuffle == True:
np.random.shuffle(self.indexes)
def __len__(self):
return int(np.floor(len(self.y) / self.batch_size))
def __getitem__(self, index):
indexes = self.indexes[index * self.batch_size: (index+1) * self.batch_size]
# Set precision vector.
global y_prec
new_y_prec = K.variable(P[indexes])
y_prec = K.update(y_prec, new_y_prec)
# Get training examples.
y = self.y[indexes]
return y, y
我的目标是在生成批处理的同一函数中更新y_prec
。这似乎正在按预期更新y_prec
。然后我定义我的模型架构:
dims = [40, 20, 2]
model2 = Sequential()
model2.add(Dense(dims[0], input_dim=64, activation='relu'))
model2.add(Dense(dims[1], input_dim=dims[0], activation='relu'))
model2.add(Dense(dims[2], input_dim=dims[1], activation='relu', name='bottleneck'))
model2.add(Dense(dims[1], input_dim=dims[2], activation='relu'))
model2.add(Dense(dims[0], input_dim=dims[1], activation='relu'))
model2.add(Dense(64, input_dim=dims[0], activation='linear'))
最后,我编译并运行:
model2.compile(optimizer='adam', loss=MAEpw_wrapper(y_prec))
model2.fit_generator(DataGenerator(32, digits.data), epochs=100)
digits.data
是一个 numpy 观察数组。
但是,这最终会定义单独的图表:
StopIteration: Tensor("Variable:0", shape=(32, 64), dtype=float32_ref) must be from the same graph as Tensor("Variable_4:0", shape=(32, 64), dtype=float32_ref).
我已经搜索了 SO 来解决我的问题,但我没有找到任何工作。任何有关如何正确执行此操作的帮助表示赞赏。
【问题讨论】:
【参考方案1】:使用Keras functional API 可以轻松实现此自动编码器。这将允许有一个额外的输入占位符y_prec_input
,它将被输入“精度”向量。完整的源代码可以在here找到。
数据生成器
首先,让我们重新实现您的数据生成器,如下所示:
class DataGenerator(Sequence):
def __init__(self, batch_size, y, prec, shuffle=True):
self.batch_size = batch_size
self.y = y
self.shuffle = shuffle
self.prec = prec
self.on_epoch_end()
def on_epoch_end(self):
self.indexes = np.arange(len(self.y))
if self.shuffle:
np.random.shuffle(self.indexes)
def __len__(self):
return int(np.floor(len(self.y) / self.batch_size))
def __getitem__(self, index):
indexes = self.indexes[index * self.batch_size: (index + 1) * self.batch_size]
y = self.y[indexes]
y_prec = self.prec[indexes]
return [y, y_prec], y
请注意,我摆脱了全局变量。现在,精度向量 P
作为输入参数 (prec
) 提供,并且生成器产生一个额外的输入,该输入将馈送到精度占位符 y_prec_input
(参见模型定义)。
型号
最后,您的模型可以定义和训练如下:
y_input = Input(shape=(input_dim,))
y_prec_input = Input(shape=(1,))
h_enc = Dense(dims[0], activation='relu')(y_input)
h_enc = Dense(dims[1], activation='relu')(h_enc)
h_enc = Dense(dims[2], activation='relu', name='bottleneck')(h_enc)
h_dec = Dense(dims[1], activation='relu')(h_enc)
h_dec = Dense(input_dim, activation='relu')(h_dec)
model2 = Model(inputs=[y_input, y_prec_input], outputs=h_dec)
model2.compile(optimizer='adam', loss=MAEpw_wrapper(y_prec_input))
# Train model
model2.fit_generator(DataGenerator(32, digits.data, P), epochs=100)
在哪里input_dim = digits.data.shape[1]
。请注意,我还将解码器的输出维度更改为input_dim
,因为它必须与输入维度匹配。
【讨论】:
这比我尝试的更有意义。假设我没有问题,我将在一两天内实现它并将其标记为已接受。谢谢!【参考方案2】:在调用 fit_generator 时尝试使用 worker=0 测试您的代码,如果它正常工作,那么线程就是您的问题。
如果线程是原因,试试这个:
# In the code that executes on the main thread
graph = tf.get_default_graph()
# In code that executes in other threads(e.g. your generator)
with graph.as_default():
...
...
new_y_prec = K.variable(P[indexes])
y_prec = K.update(y_prec, new_y_prec)
【讨论】:
以上是关于在 Keras 中实现批次相关的损失的主要内容,如果未能解决你的问题,请参考以下文章