自定义损失函数，Keras \\ ValueError: No gradients

Question

我正在尝试将我的 Keras 神经网络包装在 class 对象中。我已经在类设置之外实现了以下内容，但我想让它更加对象友好。 总而言之，我的 model 调用函数 sequential_model 创建了一个 sequential 模型。在compile 步骤中，我定义了我自己的损失函数weighted_categorical_crossentropy，我希望顺序模型实现它。 但是，当我运行下面的代码时，出现以下错误：ValueError: No gradients provided for any variable:

我怀疑问题在于我如何定义 weighted_categorical_crossentropy 函数以供 sequential 使用。

同样，我能够以非面向对象的方式完成这项工作。任何帮助将不胜感激。

from tensorflow.keras import Sequential, backend as K

class MyNetwork(): 
        
    def __init__(self, file, n_output=4, n_hidden=20, epochs=3,
                 dropout=0.10, batch_size=64, metrics = ['categorical_accuracy'],
                 optimizer = 'rmsprop', activation = 'softmax'):

    [...] //Other Class attributes
 
    def model(self):
        self.model = self.sequential_model(False)
        self.model.summary()


    def sequential_model(self, val):
        K.clear_session()
        if val == False:
            self.epochs = 3
        regressor = Sequential()
        #regressor.run_eagerly = True
        regressor.add(LSTM(units = self.n_hidden, dropout=self.dropout, return_sequences = True, input_shape = (self.X.shape[1], self.X.shape[2])))
        regressor.add(LSTM(units = self.n_hidden, dropout=self.dropout, return_sequences = True))
        regressor.add(Dense(units = self.n_output, activation=self.activation))
    
        self.weights = np.array([0.025,0.225,0.78,0.020])

        regressor.compile(optimizer = self.optimizer, loss = self.weighted_categorical_crossentropy(self.weights), metrics = [self.metrics])
        regressor.fit(self.X, self.Y*1.0,batch_size=self.batch_size, epochs=self.epochs, verbose=1, validation_data=(self.Xval, self.Yval*1.0))

        return regressor

    def weighted_categorical_crossentropy(self, weights):
        weights = K.variable(weights)
        def loss(y_true, y_pred):
            y_pred /= K.sum(y_pred, axis=-1, keepdims=True)
            y_pred = K.clip(y_pred, K.epsilon(), 1 - K.epsilon())
            loss = y_true * K.log(y_pred) * weights
            loss = -K.sum(loss, -1)
            return loss

Answer 1

上面的代码有几个问题，但最明显的一个是你没有从weighted_categorical_crossentropy返回loss。它应该看起来更像：

    def weighted_categorical_crossentropy(self, weights):
        weights = K.variable(weights)
        def loss(y_true, y_pred):
            y_pred /= K.sum(y_pred, axis=-1, keepdims=True)
            y_pred = K.clip(y_pred, K.epsilon(), 1 - K.epsilon())
            loss = y_true * K.log(y_pred) * weights
            loss = -K.sum(loss, -1)
            return loss
        return loss # Return the callable function!

错误是ValueError: No gradients provided for any variable，因为损失方法没有返回任何东西，它返回None！如果你尝试用loss=None 拟合一个方法，模型将无法计算梯度，因此它会抛出同样的错误。

接下来是您在非循环层之前的层中使用return_sequences = True。这会导致在形状错误的数据上调用Dense 层，这仅适用于循环层。不要那样使用它。
如果您有充分的理由使用return_sequences = True，那么您必须添加Dense 层，例如：

model.add(keras.layers.TimeDistributed(keras.layers.Dense(...)))

这将导致Dense 层在每个时间步分别作用于输出序列。这也意味着您的y_true 必须具有适当的形状。

您定义的自定义损失函数可能存在其他问题，但我无法推断输入/输出形状，因此您必须运行它并添加它是否有效。可能会出现矩阵乘法形状不匹配。

最后但同样重要的是，考虑使用子类化 API。它能让你的任何操作更容易编写吗？

感谢您的阅读，一旦获得该信息，我将更新此答案。干杯。