使用 min_g(g, g*) 自定义 keras 损失函数

Question

我正在处理给定图像的回归问题，我想预测 3 个参数（笛卡尔坐标）的值。对于同一张图片，我可以有几个可接受的坐标。为此，我使用了一个使用 keras 的神经网络。为了训练我的网络，我想实现一个自定义损失函数，该函数将计算预测值与最接近的可接受值之间的欧几里得距离。在数学术语中可以这样表示：

$my_stuff$

$ypred$ 的形状是 $size$ ，我的目标 $size$ 的形状是 $ysize$ 。

为了计算这个损失，我首先重塑 $ypred$ 以获得正确的形状。然后我执行损失计算（使用tensorflow 1.13）：

import tensorflow as tf
import tensorflow.keras.backend as K
config = tf.ConfigProto()
config.gpu_options.allow_growth = True

K.set_session(tf.Session(config=config))

from tensorflow.python.keras.applications import ResNet50
from tensorflow.python.keras.models import Sequential
from tensorflow.python.keras.layers import Dense, Dropout

import numpy as np


def min_mse(y_pred, y_true):
    y_pred_temp = K.repeat(y_pred, K.shape(y_true)[1])
    return K.min(K.sum(K.sqrt(y_pred_temp-y_true), axis=-1), axis=-1)


def resnet_model():
    model = Sequential()
    model.add(ResNet50(include_top=False, pooling='avg', weights='imagenet'))
    model.add(Dense(1024, activation='relu'))
    model.add(Dropout(rate=0.2))
    model.add(Dense(512, activation='relu'))
    model.add(Dropout(rate=0.2))
    model.add(Dense(3, activation='linear'))
    model.layers[0].trainable = False
    model.compile(optimizer=tf.keras.optimizers.Adam(lr=0.001), loss=min_mse)
    return model

X = np.random.random((200, 224, 224, 3))
Y = np.random.random((200, 10, 3))

model = resnet_model()
model.fit(X, Y)

然而，这段代码输出错误

tensorflow.python.framework.errors_impl.InvalidArgumentError: Expected multiples argument to be a vector of length 4 but got length 3 [[{{node loss/dense_2_loss/Tile}}]]

我在解决它时遇到了一些麻烦，因为我无法轻松打印不同张量的形状来理解问题。您是否知道如何解决此问题（通过修复我的代码或使用其他方法）？提前致谢。

Answer 1

从Kera's documentation可以看出，当您定义自定义指标时，标签作为自定义损失的第一个参数，预测作为第二个参数。

只需交换 y_true 和 y_pred，您的代码应该运行 :

def min_mse(y_true, y_pred):
    y_pred_temp = K.repeat(y_pred, K.shape(y_true)[1])
    return K.min(K.sum(K.sqrt(y_pred_temp-y_true), axis=-1), axis=-1)

使用 min_g(g, g*) 自定义 keras 损失函数

Customized keras loss function using min_g(g, g*)

python

loss-function

tf.keras