Keras 中带有附加变量输入的自定义 loss/objective 函数

Question

我正在尝试在 Keras（tensorflow 后端）中创建自定义 objective 函数，其中包含一个附加参数，该参数的值取决于正在训练的批次。

例如：

def myLoss(self, stateValues):
    def sparse_loss(y_true, y_pred):
        foo = tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=y_pred)
        return tf.reduce_mean(foo * stateValues)
    return sparse_loss


self.model.compile(loss=self.myLoss(stateValue = self.stateValue),
        optimizer=Adam(lr=self.alpha))

我的train函数如下

for batch in batches:
    self.stateValue = computeStateValueVectorForCurrentBatch(batch)
    model.fit(xVals, yVals, batch_size=<num>)

然而，损失函数中的stateValue没有被更新。它只是使用 stateValue 在 model.compile 步骤中的值。

我想这可以通过为 stateValue 使用 placeHolder 来解决，但我不知道该怎么做。有人可以帮忙吗？

Answer 1

你的损失函数没有得到更新，因为 keras 没有在每批之后编译模型，因此没有使用更新的损失函数。

您可以定义一个自定义回调，它会在每批次后更新损失值。像这样：

from keras.callbacks import Callback

class UpdateLoss(Callback):
    def on_batch_end(self, batch, logs={}):
        # I am not sure what is the type of the argument you are passing for computing stateValue ??
        stateValue = computeStateValueVectorForCurrentBatch(batch)
        self.model.loss = myLoss(stateValue)

Keras 中带有附加变量输入的自定义 loss/objective 函数

Custom loss/objective function with additional variable input in Keras

tensorflow

keras

loss-function

objective-function