Keras 自定义 RMSLE 指标

Question

如何在 Keras 中实现此指标？我下面的代码给出了错误的结果！ 请注意，我正在通过 exp(x) - 1 撤消先前的 log(x + 1) 转换，负面预测也被剪裁为 0：

def rmsle_cust(y_true, y_pred):
    first_log = K.clip(K.exp(y_pred) - 1.0, 0, None)
    second_log = K.clip(K.exp(y_true) - 1.0, 0, None)
    return K.sqrt(K.mean(K.square(K.log(first_log + 1.) - K.log(second_log + 1.)), axis=-1)

为了比较，这里是标准的 numpy 实现：

def rmsle_cust_py(y, y_pred, **kwargs):
    # undo 1 + log
    y = np.exp(y) - 1
    y_pred = np.exp(y_pred) - 1

    y_pred[y_pred < 0] = 0.0
    to_sum = [(math.log(y_pred[i] + 1) - math.log(y[i] + 1)) ** 2.0 for i,pred in enumerate(y_pred)]
    return (sum(to_sum) * (1.0/len(y))) ** 0.5

我做错了什么？谢谢！

编辑：设置axis=0 似乎给出的值非常接近正确值，但我不确定，因为我似乎使用的所有代码都使用axis=-1。

Answer 1

我遇到了同样的问题并搜索它，这是我找到的

https://www.kaggle.com/jpopham91/rmlse-vectorized

稍作修改后，这似乎对我有用，rmsle_K 方法用Keras 和TensorFlow 实现。

import numpy as np
import math
from keras import backend as K
import tensorflow as tf

def rmsle(y, y0):
    assert len(y) == len(y0)
    return np.sqrt(np.mean(np.power(np.log1p(y)-np.log1p(y0), 2)))

def rmsle_loop(y, y0):
    assert len(y) == len(y0)
    terms_to_sum = [(math.log(y0[i] + 1) - math.log(y[i] + 1)) ** 2.0 for i,pred in enumerate(y0)]
    return (sum(terms_to_sum) * (1.0/len(y))) ** 0.5

def rmsle_K(y, y0):
    return K.sqrt(K.mean(K.square(tf.log1p(y) - tf.log1p(y0))))

r = rmsle(y=[5, 20, 12], y0=[8, 16, 12])
r1 = rmsle_loop(y=[5, 20, 12], y0=[8, 16, 12])
r2 = rmsle_K(y=[5., 20., 12.], y0=[8., 16., 12.])

print(r)

print(r1)

sess = tf.Session()

print(sess.run(r2))

结果：

使用 TensorFlow 后端

0.263978210565

0.263978210565

0.263978

Answer 2

通过在 numpy 实现中使用列表 (to_sum)，我怀疑您的 numpy 数组的形状为 (length,)。

在 Keras 上，由于 axis=0 和 axis=1 的结果不同，您可能会得到类似 (length,1) 的形状。

另外，在创建to_sum 列表时，您使用的是y[i] 和y_pred[i]，这意味着您在numpy 实现中从axis=0 中获取元素。

numpy 实现还对计算sum(to_sum) 中的平均值的所有内容求和。所以，你真的不需要在K.mean 中使用任何axis。

如果您确定模型的输出形状是(length,) 或(length,1)，则可以只使用K.mean(value) 而无需传递轴参数。