Keras 自定义损失函数
Posted
技术标签:
【中文标题】Keras 自定义损失函数【英文标题】:Keras custom loss-function 【发布时间】:2020-12-19 15:05:38 【问题描述】:我想实现以下自定义损失函数,参数x
作为最后一层的输出。到目前为止,我将这个函数实现为 Lambda
层,再加上 keras 的 mae
损失,但我不想再这样做了
def GMM_UNC2(self, x):
tmp = self.create_mr(x) # get mr series
mr = k.sum(tmp, axis=1) # sum over time
tmp = k.square((1/self.T_i) * mr)
tmp = k.dot(tmp, k.transpose(self.T_i))
tmp = (1/(self.T * self.N)) * tmp
f = self.create_factor(x) # get factor
std = k.std(f)
mu = k.mean(f)
tmp = tmp + std/mu
def loss(y_true, y_pred=tmp):
return k.abs(y_true-y_pred)
return loss
self.y_true = np.zeros((1,1))
self.sdf_net = Model(inputs=[self.in_ma, self.in_mi, self.in_re, self.in_si], outputs=w)
self.sdf_net.compile(optimizer=self.optimizer, loss=self.GMM_UNC2(w))
self.sdf_net.fit([self.macro, self.micro, self.R, self.R_sign], self.y_true, epochs=epochs, verbose=1)
代码实际运行,但实际上并未使用tmp
作为损失的输入(我将它乘以某个数字,但损失保持不变)
我做错了什么?
【问题讨论】:
【参考方案1】:如果您想将GMM_UNC2
函数应用于预测,或者仅应用一次来构建损失,您的问题并不完全清楚。如果是第一个选项,那么所有代码都应该在损失内并将其应用于y_pred
,例如
def GMM_UNC2(self):
def loss(y_true, y_pred):
tmp = self.create_mr(y_pred) # get mr series
mr = k.sum(tmp, axis=1) # sum over time
tmp = k.square((1/self.T_i) * mr)
tmp = k.dot(tmp, k.transpose(self.T_i))
tmp = (1/(self.T * self.N)) * tmp
f = self.create_factor(x) # get factor
std = k.std(f)
mu = k.mean(f)
tmp = tmp + std/mu
return k.abs(y_true-y_pred)
return loss
如果是第二个选项,一般来说,在 Python 函数定义中将对象作为默认值传递并不是一个好主意,因为它可以在函数定义中更改。此外,您假设损失的第二个参数有一个名称y_pred
,但是当调用它时,它是在没有名称的情况下完成的,作为位置参数。总之,您可以尝试在损失内使用显式比较,例如
def loss(y_true, y_pred):
if y_pred is None:
y_pred = tmp
return k.abs(y_true - y_pred)
如果你喜欢忽略预测,强行使用tmp
,那么你可以忽略loss的y_pred
参数,只使用tmp
,like
def loss(y_true, _):
return k.abs(y_true - tmp)
【讨论】:
以上是关于Keras 自定义损失函数的主要内容,如果未能解决你的问题,请参考以下文章