如何使用 tensorflow 纠正 keras 的自定义损失函数？

Question

我想编写一个自定义损失函数来惩罚低估具有权重的正目标值。它会像均方误差一样工作，唯一的区别是在所述情况下平方误差会乘以大于 1 的权重。

我是这样写的：

def wmse(ground_truth, predictions):
    square_errors = np.square(np.subtract(ground_truth, predictions))
    weights = np.ones_like(square_errors)
    weights[np.logical_and(predictions < ground_truth, np.sign(ground_truth) > 0)] =  100
    weighted_mse = np.mean(np.multiply(square_errors, weights))
    return weighted_mse

但是，当我将它提供给 keras 中的顺序模型并使用 tensorflow 作为后端时：

model.compile(loss=wmse,optimizer='rmsprop')

我收到以下错误：

 raise TypeError("Using a `tf.Tensor` as a Python `bool` is not allowed. 
TypeError: Using a `tf.Tensor` as a Python `bool` is not allowed. Use `if t is not None:` instead of `if t:` to test if a tensor is defined, and use TensorFlow ops such as tf.cond to execute subgraphs conditioned on the value of a tensor.

回溯指向 wmse 中的这一行：

weights[np.logical_and(predictions < ground_truth, np.sign(ground_truth) > 0)] =  100

直到现在我还从未使用过 keras 或 tensorflow，所以如果有人帮助我将此损失函数适应 keras/tensorflow，我将不胜感激框架。我尝试将np.logical_and替换为tensorflow.logical_and，但没有用，错误依旧。

Answer 1

正如@nuric 所提到的，您必须仅使用 Keras / Tensorflow 操作和导数来实现损失，因为这些框架将无法通过其他操作（如 numpy 操作）进行反向传播。

仅 Keras 的实现可能如下所示：

from keras import backend as K

def wmse(ground_truth, predictions):
    square_errors = (ground_truth - predictions) ** 2
    weights = K.ones_like(square_errors)
    mask = K.less(predictions, ground_truth) & K.greater(K.sign(ground_truth), 0)
    weights =  K.switch(mask, weights * 100, weights)
    weighted_mse = K.mean(square_errors * weights)
    return weighted_mse

gt = K.constant([-2, 2, 1, -1, 3], dtype="int32")
pred = K.constant([-2, 1, 1, -1, 1], dtype="int32")
weights, loss = wmse(gt, pred)

sess = K.get_session()
print(loss.eval(session=sess))
# 100

如何使用 tensorflow 纠正 keras 的自定义损失函数？

How to correct this custom loss function for keras with tensorflow?

machine-learning

keras

tensorflow

loss-function