Keras损失函数理解

Question

为了更好的理解Keras的一些回调，想人为制造一个nan损失

这是函数

def soft_dice_loss(y_true, y_pred):

  from keras import backend as K
  if K.eval(K.random_normal((1, 1), mean=2, stddev=2))[0][0] // 1 == 2.0:
    # return nan
    return K.exp(1.0) / K.exp(-10000000000.0) - K.exp(1.0) / K.exp(-10000000000.0)

  epsilon = 1e-6

  axes = tuple(range(1, len(y_pred.shape) - 1))
  numerator = 2. * K.sum(y_pred * y_true, axes)
  denominator = K.sum(K.square(y_pred) + K.square(y_true), axes)

 return 1 - K.mean(numerator / (denominator + epsilon))

所以通常情况下，它会计算骰子损失，但有时它应该随机 return a nan。然而，这似乎并没有发生：

不过，当我尝试运行代码时，它会在开始时（在第一个纪元之前）停止并出现错误，说 An operation has None for gradient. Please make sure that all of your ops have a gradient defined

这是否意味着 Keras 的随机函数只计算一次，然后总是 return 相同的值？如果是这样，为什么会这样，我如何创建一个 return 不时 nan 的损失函数？

Answer 1

你的第一个条件语句只有在损失函数被定义后才会被评估（即被调用；这就是为什么 Keras 在一开始就停止的原因）。相反，您可以使用 keras.backend.switch 将您的条件整合到图表的逻辑中。您的损失函数可能类似于：

import keras.backend as K
import numpy as np


def soft_dice_loss(y_true, y_pred):
    epsilon = 1e-6
    axes = tuple(range(1, len(y_pred.shape) - 1))
    numerator = 2. * K.sum(y_pred * y_true, axes)
    denominator = K.sum(K.square(y_pred) + K.square(y_true), axes)
    loss = 1 - K.mean(numerator / (denominator + epsilon))

    return K.switch(condition=K.random_normal((), mean=0, stddev=1) > 3,
                    then_expression=K.variable(np.nan),
                    else_expression=loss)

Keras损失函数理解

Keras loss function understanding

python

nan

loss

keras

tensorflow