Keras自定义功能：实现Jaccard

Question

我正在尝试使用Tensorflow作为后端，在Keras LSTM中将Jaccard系数应用为自定义损失函数。

我知道我必须打以下电话：

model.compile(optimizer='rmsprop', loss=[jaccard_similarity])

其中jaccard_similarity函数应为以下的keras.backend实现：

def jaccard_similarity(doc1, doc2):
   intersection =set(doc1).intersection(set(doc2))
   union = set(doc1).union(set(doc2))
   return len(intersection)/len(union)

问题是我找不到使用tensorflow作为后端在张量上实现交集和并集函数的方法。

有什么建议吗？

Answer 1

小心Artur的答案！

intersection = K.sum(K.abs(y_true * y_pred), axis=-1)
sum_ = K.sum(K.abs(y_true) + K.abs(y_pred), axis=-1)

链接中的丢失功能不正确！| X | 表示集合的基数，而不是绝对值！求和也贯穿于类吗？

更正后的版本应如下所示：（tensorflow版本，尚未测试）

def jaccard_distance(y_true, y_pred, smooth=100):
    """ Calculates mean of Jaccard distance as a loss function """
    intersection = tf.reduce_sum(y_true * y_pred, axis=(1,2))
    sum_ = tf.reduce_sum(y_true + y_pred, axis=(1,2))
    jac = (intersection + smooth) / (sum_ - intersection + smooth)
    jd =  (1 - jac) * smooth
    return tf.reduce_mean(jd)

输入是形状（批量，宽度，高度，类别）的图像张量。计算每个批次和类别（形状=（批次，类别））的jaccard距离，并返回平均值作为损失标量。

Answer 2

我已经使用 jaccard 距离在 keras 中训练语义分割网络。我使用的损失函数与此相同。我把它贴在这里：

from keras import backend as K
def jaccard_distance(y_true, y_pred, smooth=100):
    intersection = K.sum(K.abs(y_true * y_pred), axis=-1)
    sum_ = K.sum(K.abs(y_true) + K.abs(y_pred), axis=-1)
    jac = (intersection + smooth) / (sum_ - intersection + smooth)
    return (1 - jac) * smooth

请注意，这个减去 jaccard 相似度（您想要最大化）。事实上，它是 jaccard 距离的连续近似，因此它的导数是明确定义的。