每个示例具有不同权重的 Keras 自定义损失函数

Question

我正在尝试在 Keras 中实现一个自定义损失函数，其中每个单独的示例（不是 class）都有不同的权重。

准确地说，给定通常的 y_true（例如 <1,1,0>）和 y_pred（例如 <1,0.2,0.8>），我正在尝试创建权重（例如 <0.81、0.9、1.0>）并将它们与 binary_crossentropy损失函数。我试过：

import numpy as np
from keras import backend as K

def my_binary_crossentropy(y_true, y_pred):
    base_factor = 0.9
    num_examples = K.int_shape(y_true)[0]

    out = [ K.pow(base_factor, num_examples - i - 1) for i in range(num_examples) ]
    forgetting_factors = K.stack(out)

    return K.mean(
        forgetting_factors * K.binary_crossentropy(y_true, y_pred),
        axis=-1
    )

并且可以很好地处理这个简单的示例：

y_true = K.variable( np.array([1,1,0]) )
y_pred = K.variable( np.array([1,0.2,0.8]) )
print K.eval(my_binary_crossentropy(y_true, y_pred))

但是，当我将它与 model.compile(loss=my_binary_crossentropy, ...) 一起使用时，出现以下错误：TypeError: range() integer end argument expected, got NoneType.

我已经尝试了一些东西。我用 K_shape 替换了 K.int_shape 现在得到： TypeError: range() integer end argument expected, got Tensor. 我进一步替换了 range() 与 K.arange() 现在得到：TypeError: Tensor objects are not iterable when eager execution is not enabled. To iterate over this tensor use tf.map_fn.

有人能帮帮我吗？我错过了什么？非常感谢！

Answer 1

在 tensorflow 中，您首先要用张量预定义图表，然后再运行它。因此，适用于 numpy 数组的函数不适用于 tensorflow 是很常见的。在你的情况下 num_examples 是问题所在。

想象一下，在 tensorflow 中，这个损失函数不会在您每次需要时都被调用，而是这个损失函数会在训练模型时构建图表，用于在您的图表中计算损失函数。

因此，当 keras 想要尝试在 tensorflow 中构建损失函数时，您的 y_true 是一个抽象张量，您的第一个形状很可能具有 None，因为 batch_size尚未定义。

您必须以不依赖于 batch_size => 删除变量的方式重写损失函数 num_examples

Answer 2

K.pow 可以将指数序列作为参数。所以你可以先计算指数，作为张量 ([num_examples - 1, num_examples - 2, ..., 0])，然后将这个张量输入 K.pow。这里num_examples基本上就是K.shape(y_pred)[0]，也是张量

def my_binary_crossentropy(y_true, y_pred):
    base_factor = 0.9
    num_examples = K.cast(K.shape(y_pred)[0], K.floatx())
    exponents = num_examples - K.arange(num_examples) - 1
    forgetting_factors = K.pow(base_factor, exponents)
    forgetting_factors = K.expand_dims(forgetting_factors, axis=-1)
    forgetting_factors = K.print_tensor(forgetting_factors)  # only for debugging

    loss = K.mean(
        forgetting_factors * K.binary_crossentropy(y_true, y_pred),
        axis=-1
    )
    loss = K.print_tensor(loss)  # only for debugging
    return loss

例如，两个 K.print_tensor 语句打印的输出如下：

model = Sequential()
model.add(Dense(1, activation='sigmoid', input_shape=(100,)))
model.compile(loss=my_binary_crossentropy, optimizer='adam')

model.evaluate(np.zeros((3, 100)), np.ones(3), verbose=0)
[[0.809999943][0.9][1]]
[0.56144917 0.623832464 0.693147182]

model.evaluate(np.zeros((6, 100)), np.ones(6), verbose=0)
[[0.590489924][0.656099916][0.728999913]...]
[0.409296423 0.454773813 0.505304217...]

由于舍入误差，数字不准确。 forgetting_factors（在 model.evaluate 之后打印的第一行）确实是 0.9 的幂。您还可以验证返回的损失值是否衰减了 0.9 倍（0.623832464 = 0.693147182 * 0.9 和 0.56144917 = 0.693147182 * 0.9 ** 2，等等）。

每个示例具有不同权重的 Keras 自定义损失函数

Keras custom loss function with different weights per example

python

keras

tensorflow

loss-function