如何在 Keras 中将精度定义为损失函数？答案

【问题标题】：How to define precision as loss Function in Keras?如何在 Keras 中将精度定义为损失函数？
【发布时间】：2018-10-06 01:45:47
【问题描述】：

众所周知，keras 中的 sparse_categorical_crossentropy 可以得到每个类别之间的平均损失函数。但是，如果我最关心的只是一个特定的类别呢？就像如果我想将基于这个类别的精度（=TP/（TP+FP））定义为损失函数，我该怎么写呢？谢谢！

我的代码是这样的：

from keras import backend as K
def my_loss(y_true,y_pred):
    y_true = K.cast(y_true,"float32")
    y_pred = K.cast(K.argmax(y_pred),"float32")
    nominator = K.sum(K.cast(K.equal(y_true,y_pred) & K.equal(y_true, 0),"float32"))
    denominator = K.sum(K.cast(K.equal(y_pred,0),"float32"))
    return -(nominator + K.epsilon()) / (denominator + K.epsilon())

错误是这样的：

argmax is not differentiable

【问题讨论】：

标签： keras loss-function

【解决方案1】：

我不建议你使用精度作为损失函数。

无法设置为 nn 的损失函数是不可微分的。
您可以通过将所有实例预测为负类来最大化它，这是没有意义的。

另一种解决方案是使用 F1 作为损失函数，然后手动调整概率截止以获得理想的精度水平，并且召回率不会太低。

【讨论】：

【解决方案2】：

您可以将参数 class_weight 传递给 fit 方法，您可以在其中确定哪些类更重要。

应该是字典：

{
    0: 1, #class 0 has weight 1
    1: 0.5, #class 1 has half the importance of class 0
    2: 0.7, #....
    ...
}

自定义损失

如果这不是您所需要的，您可以创建如下损失函数：

import keras.backend as K

def customLoss(yTrue,yPred):

    create operations with yTrue and yPred
        - yTrue = the true output data (equal to y_train in most examples)        
        - yPred = the model's calculated output

        - yTrue and yPred have exactly the same shape: (batch_size,output_dimensions,....) 
             - according to the output shape of the last layer
             - also according to the shape of y_train    

    all operations must be like +, -, *, / or operations from K (backend)

    return someResultingTensor

【讨论】：

谢谢，但答案可能不是我要找的答案。也许是错误的描述误导了你。所以我重新编辑了这个问题。你能给我一个新的答案吗？非常感谢！

【解决方案3】：

您不能使用 argmax，因为它不可微。这意味着如果无法区分损失函数，反向传播将不起作用。

不要使用 argmax，而是执行 y_true * y_pred。

【讨论】：