如何在Keras中实现稀疏均方误差损失

Question

我想修改以下keras均方误差损失（MSE），以便仅稀疏计算损失。

def mean_squared_error(y_true, y_pred): return K.mean(K.square(y_pred - y_true), axis=-1)

我的输出y是3通道图像，其中第3通道仅在要计算损耗的那些像素处不为零。知道如何修改以上内容以计算稀疏损失吗？

Answer 1

这不是您要查找的确切损失，但我希望它会给您提示以编写函数：

def masked_mse(mask_value):
    def f(y_true, y_pred):
        mask_true = K.cast(K.not_equal(y_true, mask_value), K.floatx())
        masked_squared_error = K.square(mask_true * (y_true - y_pred))
        masked_mse = (K.sum(masked_squared_error, axis=-1) /
                      K.sum(mask_true, axis=-1))
        return masked_mse
    f.__name__ = 'Masked MSE (mask_value={})'.format(mask_value)
    return f

该函数将在预测输出的所有值上计算MSE损失，但在真实输出中其对应值等于掩蔽值（例如-1）的那些元素除外。

有两个注意事项：-计算均值时，分母必须是非掩码值的计数，而不是数组的维数，这就是为什么我不使用K.mean(masked_squared_error, axis=1)，而是手动求平均值。-掩蔽值必须是一个有效的数字（即np.nan或np.inf不会做的工作），这意味着你必须去适应你的数据，以便它不包含mask_value。

在此示例中，目标输出始终为[1, 1, 1, 1]，但是某些预测值会逐渐被屏蔽。

y_pred = K.constant([[ 1, 1, 1, 1], 
                     [ 1, 1, 1, 3],
                     [ 1, 1, 1, 3],
                     [ 1, 1, 1, 3],
                     [ 1, 1, 1, 3],
                     [ 1, 1, 1, 3]])
y_true = K.constant([[ 1, 1, 1, 1],
                     [ 1, 1, 1, 1],
                     [-1, 1, 1, 1],
                     [-1,-1, 1, 1],
                     [-1,-1,-1, 1],
                     [-1,-1,-1,-1]])

true = K.eval(y_true)
pred = K.eval(y_pred)
loss = K.eval(masked_mse(-1)(y_true, y_pred))

for i in range(true.shape[0]):
    print(true[i], pred[i], loss[i], sep='\t')

预期的输出是：

[ 1.  1.  1.  1.]  [ 1.  1.  1.  1.]  0.0
[ 1.  1.  1.  1.]  [ 1.  1.  1.  3.]  1.0
[-1.  1.  1.  1.]  [ 1.  1.  1.  3.]  1.33333
[-1. -1.  1.  1.]  [ 1.  1.  1.  3.]  2.0
[-1. -1. -1.  1.]  [ 1.  1.  1.  3.]  4.0
[-1. -1. -1. -1.]  [ 1.  1.  1.  3.]  nan