在keras的自定义损失函数中做一些数学运算

Question

我创建了一个具有三个密集层的 keras 顺序模型，我只是创建了一个自定义损失函数，如下所示：

def lossFunctionality(y_t, y_p):
    # 'y_t' shape is (bach_size, 500)
    # 'y_p' shape is (bach_size, 256) (output of last layer)
    # 'v' is np array of shape (500, 256)

    p = K.exp(K.dot(y_p, K.transpose(v)))
    sp = K.sum(p,axis=1)
    sp = K.expand_dims(sp, axis=1)
    sp = K.tile(sp,(1, len(v)))

    soft = p/sp
    soft=K.clip(soft, 0.0000001, 0.9999999)
    obj = K.categorical_crossentropy(soft, y_t)
    return obj

有了这个损失函数，一切都很好。

但现在假设我对 'y_p' 中的每条记录都有特定的 'v' 数组，并且我想执行代码的第 5 行以获得 'y_p' 与记录特定 'v'数组。换句话说，我有 bach_size 个 'v' 向量的数量，我想将 'y_p' 中的每条记录生成到那个特定的 'v' 数组。我想要的是显示波纹管：

def lossFunctionality(y_t, y_p):
    tempArray=[]
    for record in y_p:
        tempArray.append(K.exp(K.dot(record, K.transpose(v))))
    p=np.array(tempArray)
    sp = K.sum(p,axis=1)
    sp = K.expand_dims(sp, axis=1)
    sp = K.tile(sp,(1, len(v)))

    soft = p/sp
    soft=K.clip(soft, 0.0000001, 0.9999999)
    obj = K.categorical_crossentropy(soft, y_t)
    return obj

但我收到错误“'Tensor' 对象不可迭代。” 我怎样才能以正确的方式实现我的损失函数非常感谢您的帮助

Answer 1

你真的不应该在损失函数中迭代张量或使用列表、numpy 数组等。

理想情况下，您必须使用 backend 函数来完成所有事情，这些函数可以与张量一起正常工作。

如果我理解正确，你需要的是一个 batch_dot 函数，如果你真的需要转置 "v"，也许与 permute_dimensions 相关联。

我假设您有一个“v”向量列表，对吧？我会回答它，就好像我代码中的“v”是一个形状为 (batch_size, 500, 256).

的 numpy 数组

import keras.backend as K

--------------

#transform v in a tensor
vTens = K.variable(v) #maybe having vTens already instanced and transposed outside the loss function would result in better performance (if it's constant)   

#transposing v without changing the batch dimension
vTrans = K.permute_dimensions(vTens,(0,2,1)) 

#doing a batch dot
dotResult = K.batch_dot(y_p,vTrans,axes=[1,2])

在batch_dot中，考虑了轴1和2，而轴0是批量大小，将保持不变。

关于您的功能的重要说明：

您将无法让 y_p 和 y_t 具有不同的维度。这简直让人无法接受。您的模型预测必须与您的真实值具有完全相同的形状。

肯定会在 fit 方法（或任何其他训练方法）中出现错误，告诉您尺寸不匹配。

在达到损失函数之前，您确实需要一个层来转换输出，因此y_p和y_t具有相同的维度。

为此，使用 LambdaLayer

model.add(LambdaLayer(transformOutput, output_shape=(500,))

其中 transformOutput 是您之前描述的函数，也使用张量。

def transformOutput(x): #transform v in a tensor vTens = K.variable(v) #maybe having vTens already instanced and transposed outside the loss function would result in better performance (if it's constant) #transposing v without changing the batch dimension vTrans = K.permute_dimensions(vTens,(0,2,1)) #doing a batch dot return K.batch_dot(x,vTrans,axes=[1,2])

在keras的自定义损失函数中做一些数学运算

doing some math in custom loss function in keras

python

deep-learning

keras

tensorflow

tensor

关于您的功能的重要说明：