损失函数的正确方法

Question

嗨，我一直在尝试在 keras 中实现一个损失函数。但是我无法想出一种方法来传递超过 2 个参数而不是 loss(y_true, y_predict) 所以我想使用 lambda 层作为最后一层并在 lambda 层本身中进行计算并简单地返回 y_predict 的值在这样的损失函数中

def loss_function(x):
    loss = some calculations
    return loss

def dummy_loss(y_true, y_pred):
    return y_pred

def primary_network():
    global prim_binary_tensor
    x = VGG16(weights='imagenet', include_top=True, input_shape=image_shape)
    last_layer = Dense(k_bit, activation='tanh', name='Dense11')(x.layers[-1].output)
    last_layer, x = basic_model()
    lambda_layer = Lambda(loss_function)([last_layer, prim_binary_tensor])
    model = Model(inputs=[x.input, prim_binary_tensor], outputs=[lambda_layer])
    model.compile(optimizer="adam", loss=dummy_loss,metrics=['accuracy'])
    return model

所以我的问题是：

1）我计算损失的方法正确吗？是否保证为每个图像（input_data）调用 lambda 层函数？

2）有人可以建议我如何将多个参数传递给损失函数吗？

3）损失函数的最终结果可以是标量还是必须是向量或矩阵？

Answer 1

回答您的问题：

1. 我不知道你的方法是否有效，但有一个更简单的解决方案。

2. 您可以通过定义偏函数来传递多个参数。

3. 损失函数的输出是一个标量。

这是一个演示如何将多个参数传递给损失函数的示例：

from keras.layers import Input, Dense
from keras.models import Model
import keras.backend as K


def custom_loss(arg1, arg2):
    def loss(y_true, y_pred):
        # Use arg1 and arg2 here as you wish and return loss
        # For example:
        return K.mean(y_true - y_pred) + arg1 + arg2
    return loss

x = Input(shape=(1,))
arg1 = Input(shape=(1,))
arg2 = Input(shape=(1,))
out = Dense(1)(x)
model = Model([x, arg1, arg2], out)
model.compile('sgd', custom_loss(arg1, arg2))