带有 tf.contrib.losses.metric_learning.triplet_semihard_loss 断言错误的 keras 模型

Question

我正在将 python 3 与 anaconda 一起使用，并尝试将 tf.contrib 损失函数与 Keras 模型一起使用。

代码如下

from keras.layers import Dense, Flatten
from keras.optimizers import Adam
from keras.models import Sequential
from tensorflow.contrib.losses import metric_learning
model = Sequential()
model.add(Flatten(input_shape=input_shape))
model.add(Dense(50,  activation="relu"))
model.compile(loss=metric_learning.triplet_semihard_loss, optimizer=Adam())

我收到以下错误：

文件 "/home/user/.local/lib/python3.6/site-packages/keras/engine/training_utils.py", 第 404 行，加权 score_array = fn(y_true, y_pred) 文件“/home/user/anaconda3/envs/siamese/lib/python3.6/site-packages/tensorflow/contrib/losses/python/metric_learning/metric_loss_ops.py”, 第 179 行，在 Triplet_semihard_loss 中 断言 lshape.shape == 1 断言错误

当我使用带有 keras 损失函数的同一个网络时，它工作正常，我尝试将 tf 损失函数包装在这样的函数中

def func(y_true, y_pred): 
    import tensorflow as tf
    return tf.contrib.losses.metric_learning.triplet_semihard_loss(y_true, y_pred) 

仍然出现同样的错误

我在这里做错了什么？

更新： 当更改 func 以返回以下内容时

return K.categorical_crossentropy(y_true, y_pred)

一切正常！ 但我不能让它与特定的 tf 损失函数一起工作......

当我进入 tf.contrib.losses.metric_learning.triplet_semihard_loss 并删除这行代码时：assert lshape.shape == 1 它运行良好

谢谢

Answer 1

问题是您将错误的输入传递给损失函数。

根据triplet_semihard_loss docstring，你需要通过labels和embeddings。

所以你的代码必须是：

def func(y, embeddings): 
    return tf.contrib.losses.metric_learning.triplet_semihard_loss(labels=y, embeddings=embeddings) 

还有两个关于嵌入网络的注意事项：

1. 最后一个密集层必须没有激活

2. 别忘了标准化输出向量model.add(Lambda(lambda x: K.l2_normalize(x, axis=1)))

Answer 2

您的问题似乎来自损失函数中的错误输入。其实triplet loss要的是参数：

Args:
labels: 1-D tf.int32 `Tensor` with shape [batch_size] of
  multiclass integer labels.
embeddings: 2-D float `Tensor` of embedding vectors. Embeddings should
  be l2 normalized.

您确定y_true 的形状正确吗？你能告诉我们更多关于你使用的张量的细节吗？