使用keras在损失函数中批量逐元素产品答案

【问题标题】：Batch element-wise product in loss function with keras使用keras在损失函数中批量逐元素产品
【发布时间】：2021-02-16 21:40:51
【问题描述】：

我正在尝试在 keras 中编写一个自定义损失函数，我需要通过中间层的输出（其形状为 (batch_size, 1))。

我需要的操作只是将 MSE 的每个批次元素加权（乘以）一个因子，即 weight_tensor 中的相应批次元素。

我尝试了以下

def loss_aux_wrapper(weight_tensor):
    def loss_aux(y_true, y_pred):
        K.print_tensor(weight_tensor, message='weight = ')
        _shape = K.shape(y_true)
        return K.reshape(K.batch_dot(K.batch_flatten(mse(y_true, y_pred)), weight_tensor, axes=[1,1]),_shape)
    return loss_aux

但我明白了

tensorflow.python.framework.errors_impl.InvalidArgumentError:  In[0] mismatch In[1] shape: 4096 vs. 1: [32,1,4096] [32,1,1] 0 0      [[node loss/aux_motor_output_loss/MatMul (defined at /code/icub_sensory_enhancement/scripts/models.py:327) ]] [Op:__inference_keras_scratch_graph_6548]

K.print_tensor 没有输出任何东西，我相信是因为它是在编译时调用的？

非常感谢任何建议！

【问题讨论】：

标签： tensorflow keras backend loss eager-execution

【解决方案1】：

为了加权 MSE 损失函数，您可以在调用 mse 函数时使用 sample_weight= 参数。根据docs，

如果 sample_weight 是大小为[batch_size] 的张量，那么总损失对于批次的每个样本，都由相应的元素重新缩放在sample_weight 向量中。如果sample_weight 的形状是 [batch_size, d0, .. dN-1]（或者可以广播到这个形状），然后 y_pred 的每个损失元素都按对应的值缩放 sample_weight。（注意ondN-1：所有损失函数都减少一维，通常是axis=-1。）

在您的情况下，weight_tensor 的形状为 ( batch size , 1 )。所以首先我们需要重塑它，比如，

reshaped_weight_tensor = K.reshape( weight_tensor , shape=( batch_size ) )

然后这个张量可以和MeanSquaredError一起使用，

def loss_aux_wrapper(weight_tensor):

    def loss_aux(y_true, y_pred):
        reshaped_weight_tensor = K.reshape( weight_tensor , shape=( batch_size ) )
        return mse( y_true , y_pred , sample_weight=reshaped_weight_tensor )
        
    return loss_aux

【讨论】：