Keras 中基于输入数据的自定义损失函数

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 损失之外，我还想使用神经网络的输入来计算自定义损失函数。有没有办法将输入作为 customloss 函数的参数发送到神经网络。

谢谢。

Answer 1

对于您提出的问题，我遇到了 2 个解决方案。

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

the accepted answer here中也提到了这个解决方案

1. 您可以使用输入中的额外数据列填充标签并编写自定义损失。如果您只需要输入中的一个/几个特征列，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)

这个解决方案也可以在这里找到thread。

当我不得不在损失中使用输入特征列时，我只使用了第二种方法。我使用了带有标量参数的第一种方法；但我相信张量输入也可以。

Answer 2

您可以使用另一个将输入张量作为参数的函数来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

然后编译你的模型如下：

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

x 是您的输入张量。

注意：未经测试。