为 keras 模型编写和测试自定义损失或度量函数

Question

我尝试使用机器学习技术来预测事件发生的时间。我的预测将是长度为 20 的概率向量 v，v[i] 是 事件在 i + 1 天内发生的概率（i 范围从 0 到 19）。

如何测试我编写的自定义损失和度量函数？

我想使用以下损失和指标来训练模型：

她是我尝试实现它的方式：

from keras import backend as K

def weighted_meansquare(y_true, y_pred):
    w = K.constant(np.array([i + 1 for i in range(20)]))
    return K.sum(K.square(w * y_pred - w * y_true))

def esperance_metric(y_true, y_pred):
    w = K.constant(np.array([i + 1 for i in range(20)]))
    return K.sum(w * y_true - w * y_true)

我希望模型能够最小化度量（这基本上是一个期望，因为我的模型返回一个概率向量）。然而，当我尝试拟合我的模型时，我发现指标始终为 0.0000e+00 。

我正在寻找的是：

1. 关于如何编写这些函数的一些具体提示

2. 有关测试 keras.backend 函数的一些一般提示

Answer 1

您对esperance_metric 的定义有误：您使用y_true - y_true 而不是y_pred - y_true，这就是您的指标始终为0 的原因。

我还在weighted_meansquare 中看到了一个错误。取正方形后，您应该乘以w，如下所示：

K.sum(w * K.square(y_pred - y_true))

一般来说，如果您想测试后端功能，您可以尝试使用K.eval 评估它们。例如：

y_pred = K.constant([1.] * 20)
y_true = K.constant([0.] * 20)
print(K.eval(esperance_metric(y_true, y_pred)))