在 Keras 中实现自定义损失函数答案

【问题标题】：Implementing a custom loss function in Keras在 Keras 中实现自定义损失函数
【发布时间】：2017-03-26 15:25:48
【问题描述】：

我是 Keras、神经网络和 Python 的新手，但我非常渴望学习...我想使用自己的自定义损失函数，但由于有上述障碍，我遇到了麻烦:)

这就是我想要完成的：

Y_true 是一个浮点数，可以是负数也可以是正数
模型将预测一个浮点数，可以是负数也可以是正数
我想看看预测可以与 Y_true 值的符号 (+/-) 匹配多少次
为此，我将 Y_pred 和 Y_true 相乘（因此，如果 Y_pred 和 y_true 具有相同的符号，则结果为正，如果它们不同，则结果为负）
然后我会计算这个乘法结果中正值和负值的数量，这样我就可以看到预测有多少次具有相同符号以及多少次相反
最后我会返回比率

首先，我的问题是：这有意义吗？我是否正确 y_pred 和 y_true 将具有批量大小的形状？所以对于前。如果批次数为 100，如果 100 个预测中有 60 个与 y_true 符号匹配，那么损失将为 0.60？

其次，其实我还没有代码 :) 这是伪代码：

def prediction_sign_accuracy(y_true, y_pred):
    y_sign_difference = y_pred * y_true
    pos_count = count number of positive values in y_sign_difference
    neg_count = count number of negative values in y_sign_difference
    if neg_count == 0:
      return a constant zero result
    else:
       return pos_count/neg_count

你能帮我写这大约 10 行代码吗？ :) 这对其他人来说可能很明显，但对我来说却是一个巨大的障碍。

在此先感谢您，祝您有美好的一天，

塔马斯

【问题讨论】：

您的损失函数似乎不可微......就像准确度不可微一样:)
我不认为制作自己的损失函数是正确的方法。为什么不直接将 Y_true 设为 1.0（如果为正数）和 0.0（如果为负数），然后使用分类交叉熵作为损失，使用 softmax 作为激活？
非常感谢您的意见！

标签： python tensorflow theano keras

【解决方案1】：

在为 keras 编写度量或损失函数时，首先要记住的是，它必须使用 keras.backend 编写为张量。

为了实现这一点，让我们首先使用 numpy 数组“模拟”我们想要做什么：

import numpy as np
y_true = np.array([1,4,-3,-1])
y_pred = np.array([5,-2,-1,1])
y_sign_difference = y_pred * y_true # this gives array([ 5, -8,  3, -1])
is_positive = np.greater(y_sign_difference, 0.0).astype(float)
# is_positive becomes array([ 1, 0, 1, 0])
pos_count = np.sum(is_positive) # --> 2

并使用 np.less 作为底片。

现在我们可以尝试编写该损失函数（恕我直言，这是一个度量标准）。基本上，你所要做的就是在正确的地方把 np 变成 K ：

from keras import backend as K
def prediction_sign_accuracy(y_true, y_pred):
    y_sign_difference = y_pred * y_true
    pos_count = K.sum(K.cast(K.greater(y_sign_difference, 0.0), 'float32')
    # etc etc I'm not paid for this ;-)

哦，顺便说一句，如果你想测试这个功能，你需要相应地喂它，例如：

import numpy as np
y_true = K.constant(np.array([1,4,-3,-1]))
y_pred = K.constant(np.array([5,-2,-1,1]))

K.eval(prediction_sign_accuracy(y_true, y_pred)) # --> 1.0

【讨论】：