Keras中的自定义加权损失功能可对每个元素进行称重

小编典典

Keras中的自定义加权损失功能可对每个元素进行称重

python

我正在尝试创建一个简单的加权损失函数。

假设我的输入尺寸为100 * 5，输出尺寸也为100 *5。我也有一个相同尺寸的权重矩阵。

类似于以下内容：

import numpy as np
train_X = np.random.randn(100, 5)
train_Y = np.random.randn(100, 5)*0.01 + train_X

weights = np.random.randn(*train_X.shape)

定义自定义损失函数

def custom_loss_1(y_true, y_pred):
    return K.mean(K.abs(y_true-y_pred)*weights)

定义模型

from keras.layers import Dense, Input
from keras import Model
import keras.backend as K

input_layer = Input(shape=(5,))
out = Dense(5)(input_layer)
model = Model(input_layer, out)

使用现有指标进行测试可以正常工作

model.compile('adam','mean_absolute_error')
model.fit(train_X, train_Y, epochs=1)

使用我们的自定义损失功能进行测试不起作用

model.compile('adam',custom_loss_1)
model.fit(train_X, train_Y, epochs=10)

它给出以下堆栈跟踪：

InvalidArgumentError (see above for traceback): Incompatible shapes: [32,5] vs. [100,5]
 [[Node: loss_9/dense_8_loss/mul = Mul[T=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:CPU:0"](loss_9/dense_8_loss/Abs, loss_9/dense_8_loss/mul/y)]]

数字32是哪里来的？

使用权重作为Keras张量测试损失函数

def custom_loss_2(y_true, y_pred):
    return K.mean(K.abs(y_true-y_pred)*K.ones_like(y_true))

似乎可以完成此功能。因此，可能暗示将Keras张量用作权重矩阵会起作用。因此，我创建了损失函数的另一个版本。

损失函数尝试3

from functools import partial

def custom_loss_3(y_true, y_pred, weights):
    return K.mean(K.abs(y_true-y_pred)*K.variable(weights, dtype=y_true.dtype))

cl3 = partial(custom_loss_3, weights=weights)

使用cl3拟合数据会产生与上述相同的错误。

InvalidArgumentError (see above for traceback): Incompatible shapes: [32,5] vs. [100,5]
     [[Node: loss_11/dense_8_loss/mul = Mul[T=DT_FLOAT, _device="/job:localhost/replica:0/task:0/device:CPU:0"](loss_11/dense_8_loss/Abs, loss_11/dense_8_loss/Variable/read)]]

我想知道我缺少什么！我本可以在Keras中使用sample_weight的概念；但是然后我必须将输入重塑为3d向量。

我认为该自定义损失函数确实应该微不足道。

阅读 293

2021-01-20

共1个答案

小编典典

在model.fit批量大小是默认32，这就是这个数字的来源。这是正在发生的事情：

在custom_loss_1张量中K.abs(y_true-y_pred)有形状(batch_size=32, 5)，而在numpy数组中weights有形状(100, 5)。这是无效的乘法，因为维数不一致并且无法应用广播。
在custom_loss_2这个问题中不存在，因为您要乘以2个具有相同形状的张量(batch_size=32, 5)。
在custom_loss_3问题是相同custom_loss_1的，因为转换weights成Keras变量不改变它们的形状。

更新： 似乎您想对每个训练样本中的每个元素赋予不同的权重，因此weights数组(100, 5)确实应具有形状。在这种情况下，我将权重的数组输入模型中，然后在损失函数中使用该张量：

import numpy as np
from keras.layers import Dense, Input
from keras import Model
import keras.backend as K
from functools import partial


def custom_loss_4(y_true, y_pred, weights):
    return K.mean(K.abs(y_true - y_pred) * weights)


train_X = np.random.randn(100, 5)
train_Y = np.random.randn(100, 5) * 0.01 + train_X
weights = np.random.randn(*train_X.shape)

input_layer = Input(shape=(5,))
weights_tensor = Input(shape=(5,))
out = Dense(5)(input_layer)
cl4 = partial(custom_loss_4, weights=weights_tensor)
model = Model([input_layer, weights_tensor], out)
model.compile('adam', cl4)
model.fit(x=[train_X, weights], y=train_Y, epochs=10)

2021-01-20