在 Keras 中实现批次相关的损失

Question

我在 Keras 中设置了一个自动编码器。我希望能够根据预定的“精度”向量对输入向量的特征进行加权。这个连续值向量与输入的长度相同，每个元素都在[0, 1]范围内，对应输入元素的置信度，其中1表示完全置信，0表示不置信。

我为每个示例都有一个精度向量。

我已经定义了一个考虑到这个精度向量的损失。在这里，低置信度特征的重建被降低权重。

def MAEpw_wrapper(y_prec):
    def MAEpw(y_true, y_pred):
        return K.mean(K.square(y_prec * (y_pred - y_true)))
    return MAEpw

我的问题是精度张量 y_prec 取决于批次。我希望能够根据当前批次更新y_prec，以便每个精度向量与其观察正确关联。

我做了以下事情：

global y_prec
y_prec = K.variable(P[:32])

这里的P 是一个 numpy 数组，其中包含所有精度向量，其索引对应于示例。我将y_prec 初始化为具有32 批大小的正确形状。然后我定义以下DataGenerator：

class DataGenerator(Sequence):

    def __init__(self, batch_size, y, shuffle=True):

        self.batch_size = batch_size

        self.y = y

        self.shuffle = shuffle
        self.on_epoch_end()

    def on_epoch_end(self):
        self.indexes = np.arange(len(self.y))

        if self.shuffle == True:
            np.random.shuffle(self.indexes)

    def __len__(self):
        return int(np.floor(len(self.y) / self.batch_size))

    def __getitem__(self, index):
        indexes = self.indexes[index * self.batch_size: (index+1) * self.batch_size]

        # Set precision vector.
        global y_prec
        new_y_prec = K.variable(P[indexes])
        y_prec = K.update(y_prec, new_y_prec)

        # Get training examples.
        y = self.y[indexes]

        return y, y

我的目标是在生成批处理的同一函数中更新y_prec。这似乎正在按预期更新y_prec。然后我定义我的模型架构：

dims = [40, 20, 2]

model2 = Sequential()
model2.add(Dense(dims[0], input_dim=64, activation='relu'))
model2.add(Dense(dims[1], input_dim=dims[0], activation='relu'))
model2.add(Dense(dims[2], input_dim=dims[1], activation='relu', name='bottleneck'))
model2.add(Dense(dims[1], input_dim=dims[2], activation='relu'))
model2.add(Dense(dims[0], input_dim=dims[1], activation='relu'))
model2.add(Dense(64, input_dim=dims[0], activation='linear'))

最后，我编译并运行：

model2.compile(optimizer='adam', loss=MAEpw_wrapper(y_prec))
model2.fit_generator(DataGenerator(32, digits.data), epochs=100)

digits.data 是一个 numpy 观察数组。

但是，这最终会定义单独的图表：

StopIteration: Tensor("Variable:0", shape=(32, 64), dtype=float32_ref) must be from the same graph as Tensor("Variable_4:0", shape=(32, 64), dtype=float32_ref).

我已经搜索了 SO 来解决我的问题，但我没有找到任何工作。任何有关如何正确执行此操作的帮助表示赞赏。

Answer 1

使用Keras functional API 可以轻松实现此自动编码器。这将允许有一个额外的输入占位符y_prec_input，它将被输入“精度”向量。完整的源代码可以在here找到。

---

数据生成器

首先，让我们重新实现您的数据生成器，如下所示：

class DataGenerator(Sequence):
    def __init__(self, batch_size, y, prec, shuffle=True):
        self.batch_size = batch_size
        self.y = y
        self.shuffle = shuffle
        self.prec = prec
        self.on_epoch_end()

    def on_epoch_end(self):
        self.indexes = np.arange(len(self.y))
        if self.shuffle:
            np.random.shuffle(self.indexes)

    def __len__(self):
        return int(np.floor(len(self.y) / self.batch_size))

    def __getitem__(self, index):
        indexes = self.indexes[index * self.batch_size: (index + 1) * self.batch_size]
        y = self.y[indexes]
        y_prec = self.prec[indexes]
        return [y, y_prec], y

请注意，我摆脱了全局变量。现在，精度向量 P 作为输入参数 (prec) 提供，并且生成器产生一个额外的输入，该输入将馈送到精度占位符 y_prec_input（参见模型定义）。

---

型号

最后，您的模型可以定义和训练如下：

y_input = Input(shape=(input_dim,))
y_prec_input = Input(shape=(1,))
h_enc = Dense(dims[0], activation='relu')(y_input)
h_enc = Dense(dims[1], activation='relu')(h_enc)
h_enc = Dense(dims[2], activation='relu', name='bottleneck')(h_enc)
h_dec = Dense(dims[1], activation='relu')(h_enc)
h_dec = Dense(input_dim, activation='relu')(h_dec)
model2 = Model(inputs=[y_input, y_prec_input], outputs=h_dec)
model2.compile(optimizer='adam', loss=MAEpw_wrapper(y_prec_input))

# Train model
model2.fit_generator(DataGenerator(32, digits.data, P), epochs=100)

在哪里input_dim = digits.data.shape[1]。请注意，我还将解码器的输出维度更改为input_dim，因为它必须与输入维度匹配。

Answer 2

在调用 fit_generator 时尝试使用 worker=0 测试您的代码，如果它正常工作，那么线程就是您的问题。

如果线程是原因，试试这个：

# In the code that executes on the main thread
graph = tf.get_default_graph()

# In code that executes in other threads(e.g. your generator)
with graph.as_default():
    ...
    ...
    new_y_prec = K.variable(P[indexes])
    y_prec = K.update(y_prec, new_y_prec)