如何将权重传递给keras中的均方误差

Question

我正在尝试解决一个回归问题，这是一个带有 8 个标签的多标签，我正在使用均方误差损失，但是数据集不平衡，我想将权重传递给损失函数。目前我正在编译这个模型道路。

model.compile(loss='mse', optimizer=Adam(lr=0.0001), metrics=['mse', 'acc'])

有人可以建议是否可以为均方误差添加权重，如果可以，我该怎么做？

提前致谢

标签看起来像这样

#

model = Sequential()    
model.add(effnet)
model.add(GlobalAveragePooling2D())
model.add(Dropout(0.5))
model.add(Dense(8,name = 'nelu', activation=elu))
model.compile(loss=custom_mse(class_weights), 
optimizer=Adam(lr=0.0001), metrics=['mse', 'acc'])

Answer 1

import keras
from keras.models import Sequential
from keras.layers import Conv2D, Flatten, Dense, Conv1D, LSTM, TimeDistributed
import keras.backend as K


# custom loss function
def custom_mse(class_weights):
    def loss_fixed(y_true, y_pred):
        """
        :param y_true: A tensor of the same shape as `y_pred`
        :param y_pred:  A tensor resulting from a sigmoid
        :return: Output tensor.
        """
        # print('y_pred:', K.int_shape(y_pred))
        # print('y_true:', K.int_shape(y_true))
        y_pred = K.reshape(y_pred, (8, 1))
        y_pred = K.dot(class_weights, y_pred)
        # calculating mean squared error
        mse = K.mean(K.square(y_pred - y_true), axis=-1)
        # print('mse:', K.int_shape(mse))
        return mse

model = Sequential()
model.add(Conv1D(8, (1), input_shape=(28, 28)))
model.add(Flatten())
model.add(Dense(8))

# custom class weights
class_weights = K.variable([[0.25, 1., 2., 3., 2., 0.6, 0.5, 0.15]])
# print('class_weights:', K.int_shape(class_weights))

model.compile(optimizer='adam', loss=custom_mse(class_weights), metrics=['accuracy'])

这是基于您的问题陈述的自定义损失函数的一个小实现

• 您可以从loss.py 中找到有关 keras 损失函数的更多信息，还可以从此处查看其官方文档

• Keras 本身不处理诸如张量积、卷积等低级操作。相反，它依赖于专门的、优化良好的张量操作库来做到这一点，充当 Keras 的“后端引擎”。可以在此处找到有关keras 后端的更多信息，也可以从此处查看其官方文档

• 使用 K.int_shape(tensor_name) 查找tensor的维度。