在自己的损失函数中计算预测导数

【问题标题】：Calculate prediction derivation in own loss function在自己的损失函数中计算预测导数
【发布时间】：2019-05-17 05:15:27
【问题描述】：

除了 y_true 和 y_predict 的 MSE，我想在成本函数中使用 y_true 的二阶导数，因为我的模型目前非常动态。假设我有 y_predicted (256, 100, 1)。第一个维度对应于样本（每个样本之间的 delta_t 为 0.1s）。现在我想通过第一个维度来区分，即

diff(diff(y_predicted[1, :, 1]))/delta_t**2

对于 y_predictied 中的每一行 (0-dim)。

注意，我只想用 y_predicted 和 delta_t 来区分

非常感谢，最大

【问题讨论】：

【解决方案1】：

要计算二阶导数，您可以使用tf.hessians，如下所示：

x = tf.Variable([7])
x2 = x * x
d2x2 = tf.hessians(x2, x)

评估 d2x2 收益率：

[array([[2]], dtype=int32)]

在你的情况下，你可以这样做

loss += lam_l1 * tf.hessians(y_pred, xs)

其中xs 是您想要区分的张量。

如果您想直接使用 Keras，可以链接两次 keras.backend.gradients(loss, variables)，没有与 tf.hessians 等效的 Keras。

【讨论】：