Keras 后端自定义损失函数

Posted 2023-03-28

【中文标题】Keras 后端自定义损失函数

【英文标题】：Keras backend Custom Loss Function

【发布时间】：2018-12-26 00:13:32

【问题描述】：

我正在尝试计算 (tp+tn)/total_samples 作为我的自定义损失函数。我知道如何在列表和列表理解中执行此操作，但我想我无法将 y_true 和 y_pred 转换为列表。

目前我写的代码是：

def CustomLossFunction(y_true, y_pred):
   y_true_mask_less_zero = K.less(y_true, 0)
   y_true_mask_greater_zero = K.greater(y_true, 0)

   y_pred_mask_less_zero = K.less(y_pred, 0)
   y_pred_mask_greater_zero = K.greater(y_pred, 0)

   t_zeros = K.equal(y_pred_mask_less_zero, y_true_mask_less_zero)
   t_ones = K.equal(y_pred_mask_greater_zero, y_true_mask_greater_zero)

现在我需要将 t_zeros 和 t_ones 中的 TRUES 总数相加，然后将它们相加并除以总样本

我在这一行遇到错误：

sum_of_true_negatives = K.sum(t_zeros)

传递给参数“输入”的值的 DataType bool 不在允许值列表中：float32、float64、int32、uint8、int16

问题：

“(tp+tn)/total_samples”有没有内置的损失函数 如果不是，那么如何使用 Keras 后端进行计算？

【参考方案1】：

在将它们放入计算之前，您必须 cast 您的布尔张量浮动。

但是一个警告，所以你不要浪费你的时间：

此损失函数将不起作用，因为它不可微分。您不能像这样简单地丢弃y_pred 中存在的“连续性”。 （你会得到像“不支持无值”或“一个操作没有梯度”这样的错误）

使用一些现有的标准函数进行分类，例如binary_crossentropy 或categorical_crossentropy。

选角：

t_zeros = K.cast(t_zeros, K.floatx())
t_ones = K.cast(t_ones, K.floatx())