如何将基于示例的参数添加到自定义 keras 损失函数？

Question

我想在 keras 中使用自定义损失函数，每个训练示例都有一个不同的参数。

from keras import backend as K

def my_mse_loss_b(b):
     def mseb(y_true, y_pred):
         return K.mean(K.square(y_pred - y_true)) + b
     return mseb

我读到 here y_true 和 y_pred 总是传递给损失函数，所以你需要创建包装函数。

model.compile(loss=my_mse_loss_b(df.iloc[:,2]), optimizer='adam', metrics=['accuracy'])

问题是当我拟合模型时出现错误，因为函数假定传递的参数与批次一样长。另一方面，我希望每个示例都有自己的参数。

tensorflow.python.framework.errors_impl.InvalidArgumentError:  Incompatible shapes: [20] vs. [10000]
     [[node gradients/loss_2/dense_3_loss/mseb/weighted_loss/mul_grad/BroadcastGradientArgs (defined at C:\Users\flis1\Miniconda3\envs\Automate\lib\site-packages\tensorflow_core\python\framework\ops.py:1751) ]] [Op:__inference_keras_scratch_graph_1129]
Function call stack:
keras_scratch_graph

它说的形状不兼容。 20 是批量大小，10000 是我的训练数据集的大小和所有参数的大小。

如果我添加的参数是批量的大小，我可以拟合模型，但正如我所说，我希望在示例的基础上传递参数。

Answer 1

在您的情况下，由于您的参数 b 与其训练示例紧密耦合，因此将其作为基本事实的一部分是有意义的。您可以像下面这样重写损失函数：

def mseb(y_true, y_pred):
    y_t, b = y_true[0], y_true[1]
    return K.mean(K.square(y_pred - y_t)) + b

然后用

训练你的模型

model.compile(loss=mseb)
b = df.iloc[:,2]
model.fit(X,(y,b))

如何将基于示例的参数添加到自定义 keras 损失函数？

How to add example based parameter to custom keras loss function?

python

tensorflow

keras

loss-function