基于输入数据的Keras中的自定义损失函数

Question

我正在尝试使用Keras创建自定义损失函数。我想根据输入来计算损失函数并预测神经网络的输出。

我尝试在Keras中使用customloss函数。我认为y_true是我们为训练提供的输出，而y_pred是神经网络的预测输出。以下损失函数与Keras中的“ mean_squared_error”损失相同。

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

除了mean_squared_error损失，我还想使用神经网络的输入来计算自定义损失函数。有没有一种方法可以将输入作为自定义函数的参数发送到神经网络。

谢谢。

Answer 1

您可以使用另一个将输入张量作为参数的函数包装您的自定义损失：

def customloss(x):
    def loss(y_true, y_pred):
        # Use x here as you wish
        err = K.mean(K.square(y_pred - y_true), axis=-1)
        return err

    return loss

然后按如下方式编译模型：

model.compile('sgd', customloss(x))

x你的输入张量在哪里。

注意：未经测试。

Answer 2

对于您提出的问题，我遇到了2种解决方案。

1. 您可以将输入张量作为参数传递给自定义损失包装函数。

    def custom_loss(i):

        def loss(y_true, y_pred):
            return K.mean(K.square(y_pred - y_true), axis=-1) + something with i...
        return loss

    def baseline_model():
        # create model
        i = Input(shape=(5,))
        x = Dense(5, kernel_initializer='glorot_uniform', activation='linear')(i)
        o = Dense(1, kernel_initializer='normal', activation='linear')(x)
        model = Model(i, o)
        model.compile(loss=custom_loss(i), optimizer=Adam(lr=0.0005))
        return model

此解决方案也在此处接受的答案中提到

2. 您可以在输入中用额外的数据列填充标签，并编写自定义损失。如果您只想从输入中选择一个或几个功能列，这将很有帮助。

    def custom_loss(data, y_pred):

        y_true = data[:, 0]
        i = data[:, 1]
        return K.mean(K.square(y_pred - y_true), axis=-1) + something with i...


    def baseline_model():
        # create model
        i = Input(shape=(5,))
        x = Dense(5, kernel_initializer='glorot_uniform', activation='linear')(i)
        o = Dense(1, kernel_initializer='normal', activation='linear')(x)
        model = Model(i, o)
        model.compile(loss=custom_loss, optimizer=Adam(lr=0.0005))
        return model


    model.fit(X, np.append(Y_true, X[:, 0], axis =1), batch_size = batch_size, epochs=90, shuffle=True, verbose=1)

此解决方案也可以在此线程中找到。

我只在损失中不得不使用输入要素列时才使用第二种方法。我将第一种方法与标量参数一起使用；但我相信张量输入也可以。