在 keras 中制作自定义损失函数

Question

您好，我一直在尝试在 keras 中为 dice_error_coefficient 制作自定义损失函数。它在 tensorboard 中有实现，我尝试在带有 tensorflow 的 keras 中使用相同的函数，但是当我使用 model.train_on_batch 时它一直返回 NoneType或 model.fit，因为它在模型中的指标中使用时会给出正确的值。有人可以帮我解决我该怎么做吗？我曾尝试关注 ahunt 的 Keras-FCN 等库，他在其中使用了自定义损失函数，但似乎都不起作用。代码中的目标和输出分别是 keras 中的 loss.py 文件中使用的 y_true 和 y_pred。

def dice_hard_coe(target, output, threshold=0.5, axis=[1,2], smooth=1e-5):
    """References
    -----------
    - `Wiki-Dice <https://en.wikipedia.org/wiki/Sørensen–Dice_coefficient>`_
    """

    output = tf.cast(output > threshold, dtype=tf.float32)
    target = tf.cast(target > threshold, dtype=tf.float32)
    inse = tf.reduce_sum(tf.multiply(output, target), axis=axis)
    l = tf.reduce_sum(output, axis=axis)
    r = tf.reduce_sum(target, axis=axis)
    hard_dice = (2. * inse + smooth) / (l + r + smooth)
    hard_dice = tf.reduce_mean(hard_dice)
    return hard_dice

Answer 1

在 Keras 中实现参数化自定义损失函数有两个步骤。首先，为系数/度量编写一个方法。其次，编写一个包装函数来按照 Keras 需要的方式格式化。

1. 对于像 DICE 这样的简单自定义损失函数，直接使用 Keras 后端而不是 tensorflow 实际上要干净得多。这是以这种方式实现的系数示例：

   import keras.backend as K
   def dice_coef(y_true, y_pred, smooth, thresh):
       y_pred = y_pred > thresh
       y_true_f = K.flatten(y_true)
       y_pred_f = K.flatten(y_pred)
       intersection = K.sum(y_true_f * y_pred_f)
   
       return (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)
   

2. 现在是棘手的部分。 Keras 损失函数只能以 (y_true, y_pred) 作为参数。所以我们需要一个单独的函数来返回另一个函数。

   def dice_loss(smooth, thresh):
     def dice(y_true, y_pred)
       return -dice_coef(y_true, y_pred, smooth, thresh)
     return dice
   

最后，你可以在Keras编译中如下使用它。

# build model 
model = my_model()
# get the loss function
model_dice = dice_loss(smooth=1e-5, thresh=0.5)
# compile model
model.compile(loss=model_dice)

Answer 2

根据documentation，您可以像这样使用自定义损失函数：

任何带有签名loss_fn(y_true, y_pred) 的可调用函数返回一组损失（输入批次中的样本之一），都可以作为损失传递给compile()。请注意，任何此类损失都会自动支持样本加权。

举个简单的例子：

def my_loss_fn(y_true, y_pred):
    squared_difference = tf.square(y_true - y_pred)
    return tf.reduce_mean(squared_difference, axis=-1)  # Note the `axis=-1`

model.compile(optimizer='adam', loss=my_loss_fn)

完整示例：

import tensorflow as tf
import numpy as np

def my_loss_fn(y_true, y_pred):
    squared_difference = tf.square(y_true - y_pred)
    return tf.reduce_mean(squared_difference, axis=-1)  # Note the `axis=-1`

model = tf.keras.Sequential([
    tf.keras.layers.Dense(8, activation='relu'),
    tf.keras.layers.Dense(16, activation='relu'),
    tf.keras.layers.Dense(1)])

model.compile(optimizer='adam', loss=my_loss_fn)

x = np.random.rand(1000)
y = x**2

history = model.fit(x, y, epochs=10)