为 Keras 逐个元素地编写自定义损失函数

Question

我是机器学习、python 和 tensorflow 的新手。我习惯用 C++ 或 C# 编写代码，我很难使用 tf.backend。 我正在尝试为 LSTM 网络编写一个自定义损失函数，该函数试图预测时间序列的下一个元素是正数还是负数。我的代码使用 binary_crossentropy 损失函数运行良好。我现在想改进我的网络，它有一个损失函数，如果预测概率大于 0.5，则添加下一个时间序列元素的值，如果概率小于或等于 0.5，则减去它。 我尝试过这样的事情：

def customLossFunction(y_true, y_pred):
    temp = 0.0
    for i in range(0, len(y_true)):
        if(y_pred[i] > 0):
            temp += y_true[i]
        else:
            temp -= y_true[i]
    return temp

显然，维度是错误的，但由于我在调试时无法进入我的函数，因此很难在这里掌握维度。 你能告诉我是否可以使用逐个元素的功能吗？如果是，如何？如果没有，你能帮我处理 tf.backend 吗？ 非常感谢

Answer 1

从 keras 后端函数中，您可以使用函数 greater：

import keras.backend as K

def customLossFunction(yTrue,yPred)

    greater = K.greater(yPred,0.5)
    greater = K.cast(greater,K.floatx()) #has zeros and ones
    multiply = (2*greater) - 1 #has -1 and 1

    modifiedTrue = multiply * yTrue

    #here, it's important to know which dimension you want to sum
    return K.sum(modifiedTrue, axis=?)

axis参数要根据你要求和的使用。

axis=0 -> batch or sample dimension (number of sequences)     
axis=1 -> time steps dimension (if you're using return_sequences = True until the end)     
axis=2 -> predictions for each step 

现在，如果您只有一个 2D 目标：

axis=0 -> batch or sample dimension (number of sequences)
axis=1 -> predictions for each sequence

如果您只是想对每个序列的所有内容求和，那么就不要输入轴参数。

关于此功能的重要说明：

因为它只包含来自yTrue 的值，所以它不能反向传播来改变权重。这将导致“不支持任何值”错误或非常类似的错误。

虽然在函数中使用了yPred（连接到模型权重的那个），但它仅用于获取真x假条件，这是不可微分的。