如何在 Keras 中实现加权均方误差函数

Question

我在 Keras 中定义加权均方误差如下：

def weighted_mse(yTrue,yPred):
    data_weights = [w0,w1,w2,w3]
    data_weights_np = np.asarray(data_weights, np.float32)
    weights = tf.convert_to_tensor(data_weights_np, np.float32)
    return K.mean(weights*K.square(yTrue-yPred))

我有每个预测的权重列表。预测的形状例如：(25,4)。这是通过维度为 4 的最终密集层生成的。我希望在均方误差中对这些预测进行加权，因此我生成了一个张量并将其与误差平方和相乘。这是正确的方法吗？ 因为，当我打印张量的形状时，将 tf.shape 用于 YTrue 和 YPred 它显示： Tensor("loss_19/dense_20_loss/Shape:0", shape=(3,), dtype=int32)

对于权重：

Tensor("loss_19/dense_20_loss/Shape_2:0", shape=(1,), dtype=int32)

Answer 1

Keras API 已经提供了一种机制来提供权重，例如model.fit 函数。来自documentation：

class_weight： 可选字典将类索引（整数）映射到权重（浮点）值，用于加权损失函数（仅在训练期间）。这对于告诉模型“更加关注”来自代表性不足的类的样本很有用。

sample_weight： 训练样本的可选 Numpy 权重数组，用于加权损失函数（仅在训练期间）。您可以传递一个与输入样本长度相同的平面 (1D) Numpy 数组（权重和样本之间的 1:1 映射），或者在时间数据的情况下，您可以传递一个具有形状的二维数组（样本、序列长度)，对每个样本的每个时间步应用不同的权重。在这种情况下，您应该确保在 compile() 中指定 sample_weight_mode="temporal"。

如果你对每个样本都有一个权重，你可以将 NumPy 数组作为sample_weight 传递来达到同样的效果，而无需编写自己的损失函数。