keras中的加权mse自定义损失函数
Posted
技术标签:
【中文标题】keras中的加权mse自定义损失函数【英文标题】:Weighted mse custom loss function in keras 【发布时间】:2018-02-24 19:12:42 【问题描述】:我正在处理时间序列数据,输出提前 60 天的预测数据。
我目前使用均方误差作为损失函数,结果很糟糕
我想实现一个加权均方误差,这样早期的输出比后来的输出重要得多。
加权均方根公式:
所以我需要一些方法来迭代张量的元素,使用索引(因为我需要同时迭代预测值和真实值,然后将结果写入只有一个元素的张量。他们'都是 (?,60) 但实际上是 (1,60) 列表。
而且我正在尝试的任何方法都不起作用。这是损坏版本的代码
def weighted_mse(y_true,y_pred):
wmse = K.cast(0.0,'float')
size = K.shape(y_true)[0]
for i in range(0,K.eval(size)):
wmse += 1/(i+1)*K.square((y_true[i]-y_pred)[i])
wmse /= K.eval(size)
return wmse
结果我目前收到此错误:
InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'dense_2_target' with dtype float
[[Node: dense_2_target = Placeholder[dtype=DT_FLOAT, shape=[], _device="/job:localhost/replica:0/task:0/cpu:0"]()]]
阅读了对类似帖子的回复后,我认为掩码无法完成任务,并且循环一个张量中的元素也行不通,因为我无法访问另一个张量中的相应元素.
任何建议将不胜感激
【问题讨论】:
【参考方案1】:您可以使用这种方法:
def weighted_mse(yTrue,yPred):
ones = K.ones_like(yTrue[0,:]) #a simple vector with ones shaped as (60,)
idx = K.cumsum(ones) #similar to a 'range(1,61)'
return K.mean((1/idx)*K.square(yTrue-yPred))
ones_like
与 cumsum
的使用允许您将此损失函数用于任何类型的 (samples,classes)
输出。
提示:使用张量时始终使用backend functions。您可以使用切片,但要避免迭代。
【讨论】:
我花了几个小时试图弄清楚这一点。谢谢! 在(1/idx)*K.square(yTrue-yPred)
中,*
是逐元素运算还是向量矩阵乘法运算?谢谢!
元素方面的。对于矩阵乘法,有K.dot()
和K.batch_dot()
。
@DanielMöller 谢谢!但是K.square(yTrue-yPred)
的形状为 (n_samples, n_components),而1/idx
的形状为 (n_components,),在这种情况下元素乘法如何工作?
@username123,缺少的维度(n_samples)会重复。以上是关于keras中的加权mse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
如何在 keras 中创建自定义损失函数? (自定义加权二元交叉熵)