Keras 中带有附加参数的自定义损失函数

数据挖掘 张量流 喀拉斯 损失函数
2021-09-23 00:46:33

我正在寻找一种方法来创建如下所示的损失函数：然后该函数应最大化以获得奖励。这有可能在 Keras 中实现吗？任何如何实现这一点的建议都将受到高度赞赏。

def special_loss_function(y_true, y_pred, reward_if_correct, punishment_if_false):
    loss = if binary classification is correct apply reward for that training item in accordance with the weight
           if binary classification is wrong, apply punishment for that training item in accordance with the weight
                    )
    return K.mean(loss, axis=-1)

我一直在为我的示例寻找的方法是将权重与 y_true 一起传递，然后将张量分成两部分，将权重和 y_true 分开，如下所示。这样的方法是否可行，或者这会干扰标准化过程等？

def decompose_y_true(y_true_and_weights):
    y_true = y_true_and_weights[:,1]
    weights= y_true_and_weights[:,1:]
    return y_true, weights


def custom_loss(y_true_and_weights, y_pred):
    y_true, y_weights = decompose_y_true(y_true_and_weights)
     loss = # some loss operation
    return K.mean(loss, axis=-1)

如果我可以将我的权重传递给 fit 函数中的 sample_weights 参数，那就更优雅了，但这些权重的形状似乎有一些限制，而且也没有办法在损失函数中检索它们我可以告诉。或者有什么方法可以以某种方式将它传递给损失函数，以便我可以从那里对它们进行操作？

2个回答

您可以编写一个返回另一个函数的函数，就像在GitHub 上所做的那样

def penalized_loss(noise):
    def loss(y_true, y_pred):
        return K.mean(K.square(y_pred - y_true) - K.square(y_true - noise), axis=-1)
    return loss

input1 = Input(batch_shape=(batch_size, timesteps, features))
lstm =  LSTM(features, stateful=True, return_sequences=True)(input1)
output1 = TimeDistributed(Dense(features, activation='sigmoid'))(lstm)
output2 = TimeDistributed(Dense(features, activation='sigmoid'))(lstm)
model = Model(input=[input1], output=[output1, output2])
model.compile(loss=[penalized_loss(noise=output2), 
penalized_loss(noise=output1)], optimizer='rmsprop')

在包装函数中，您可以传递标量或 keras 张量，如附加输入。在您的情况下，您将在顶部包装函数中添加权重并在您的向内函数中引用它们。

我认为最好的解决方案是：

将权重添加到 y_true 的第二列，然后：

def custom_loss(y_true, y_pred)
    weights = y_true[:,1]
    y_true = y_true [:,0]

这样，当它们被洗牌时，它肯定会被分配给正确的样本。

请注意，还需要通过y_true = y_true[:,0]在顶部添加来自定义度量函数。

其它你可能感兴趣的问题
上一篇如何调整 MLP 分类器的超参数以获得更完美的性能 下一篇基于单词和基于字符的文本生成 RNN 有什么区别？