批量大小为 tensorflow/keras 的自定义损失 w 权重数组

Question

我正在创建一个自定义损失函数，它是一个 MAE(y_true, y_pred) ，由两个数组 a 和 b 加权，其中所有四个数组的大小相同 (10000 samples/timesteps).

def custom_loss(y_true, y_pred, a, b):
        mae = K.abs(y_true - y_pred)
        loss = mae * a * b
        return loss

问题：如何将 a 和 b 送入函数？ 两者都应该像 y_true 和 y_pred.

一样拆分和洗牌

到目前为止，我使用的是在形状数据 X（样本 x 时间步长 x 变量）上训练的 LSTM。在这里，我尝试了 tf 的 add_loss 函数来完成此操作，这导致在传递 a 和时由于不同的数据形状而出错b 作为进一步的输入层。

#LSTM
input_layer = Input(shape=input_shape)
in = LSTM(20, activation='relu', return_sequences=True)(input_layer)
out = LSTM(1, activation='linear', return_sequences=False)(in)

layer_a = Input(shape=(10000))
layer_b = Input(shape=(10000))

model = Model(inputs = [input_layer, layer_a, layer_b], outputs = out)  
model.add_loss(custom_loss(input_layer, out, layer_a, layer_b))
model.compile(loss=None, optimizer=Adam(0.01))

# X=data of shape 20 variables x 10000 timesteps, y, a, b = data of shape 10000 timesteps
model.fit(x=[X, a, b], y=y, batch_size=1, shuffle=True)

如何正确执行此操作？

Answer 1

正如你介绍的，你必须使用add_loss。记住将所有变量（正确格式的真实、预测和额外张量）传递给损失。

n_sample = 100
timesteps = 30
features = 5

X = np.random.uniform(0,1, (n_sample,timesteps,features))
y = np.random.uniform(0,1, n_sample)
a = np.random.uniform(0,1, n_sample)
b = np.random.uniform(0,1, n_sample)

def custom_loss(y_true, y_pred, a, b):
    mae = K.abs(y_true - y_pred)
    loss = mae * a * b
    return loss


input_layer = Input(shape=(timesteps, features))
x = LSTM(20, activation='relu', return_sequences=True)(input_layer)
out = LSTM(1, activation='linear')(x)

layer_a = Input(shape=(1,))
layer_b = Input(shape=(1,))
target = Input(shape=(1,))

model = Model(inputs = [target, input_layer, layer_a, layer_b], outputs = out)  
model.add_loss(custom_loss(target, out, layer_a, layer_b))
model.compile(loss=None, optimizer=Adam(0.01))

model.fit(x=[y, X, a, b], y=None, shuffle=True, epochs=3)

在推理模式下使用模型（删除 y 作为输入，如果不需要则删除 a 和 b）：

final_model = Model(model.inputs[1], model.output)
final_model.predict(X)

Answer 2

如果你只需要 a 和 b 来计算损失函数，那么我会围绕你的自定义损失函数编写一个包装器，并传递一个元组 (y,a,b) 作为你的标签。

类似的东西：

n_sample = 100
timesteps = 30
features = 5

X = np.random.uniform(0,1, (n_sample,timesteps,features))
y = np.random.uniform(0,1, n_sample)
a = np.random.uniform(0,1, n_sample)
b = np.random.uniform(0,1, n_sample)

def custom_loss_wrapper(y_true, y_pred):
    def custom_loss(y_true, y_pred, a, b):
        mae = K.abs(y_true - y_pred)
        loss = mae * a * b
        return loss
    return custom_loss(y_true[0], y_pred, y_true[1], y_true[2])


input_layer = Input(shape=(timesteps, features))
x = LSTM(20, activation='relu', return_sequences=True)(input_layer)
out = LSTM(1, activation='linear')(x)

model = Model(inputs =input_layer, outputs = out)  
model.compile(loss=custom_loss_wrapper, optimizer=Adam(0.01))

model.fit(x=X, y=(y,a,b), shuffle=True, epochs=3)

它简化了网络架构并在推理时删除了不必要的 layer_a 和 layer_b。

批量大小为 tensorflow/keras 的自定义损失 w 权重数组

Custom loss w weight arrays of batch size in tensorflow/keras

python

loss

keras

tensorflow