Keras/Tensorflow：单输出的组合损失函数

Question

我的模型只有一个输出，但我想结合两种不同的损失函数：

def get_model():
    # create the model here
    model = Model(inputs=image, outputs=output)

    alpha = 0.2
    model.compile(loss=[mse, gse],
                      loss_weights=[1-alpha, alpha]
                      , ...)

但它抱怨我需要有两个输出，因为我定义了两个损失：

ValueError: When passing a list as loss, it should have one entry per model outputs. 
The model has 1 outputs, but you passed loss=[<function mse at 0x0000024D7E1FB378>, <function gse at 0x0000024D7E1FB510>]

我是否可以在不必创建另一个损失函数的情况下编写我的最终损失函数（因为这会限制我在损失函数之外更改 alpha）？

我该怎么做(1-alpha)*mse + alpha*gse？

---

更新：

我的两个损失函数都等效于任何内置 keras 损失函数的函数签名，接受 y_true 和 y_pred 并为损失返回张量（可以使用 K.mean() 将其简化为标量），但我相信，只要它们返回有效的损失，这些损失函数的定义方式就不会影响答案。

def gse(y_true, y_pred):
    # some tensor operation on y_pred and y_true
    return K.mean(K.square(y_pred - y_true), axis=-1)

Answer 1

并不是说这个答案特别解决了原始问题，我想写它是因为在尝试使用 keras.models.load_model 加载具有自定义损失的 keras 模型时会发生相同的错误，并且在任何地方都没有得到正确的回答。具体来说，按照keras github repository中的VAE示例代码，使用model.save保存后加载VAE模型时会出现此错误。

解决方案是使用vae.save_weights('file.h5') 仅保存权重，而不是保存完整模型。但是，在使用 vae.load_weights('file.h5') 加载权重之前，您必须再次构建和编译模型。

以下是一个示例实现。

class VAE():
    def build_model(self): # latent_dim and intermediate_dim can be passed as arguments
        def sampling(args):
            """Reparameterization trick by sampling from an isotropic unit Gaussian.
            # Arguments
                args (tensor): mean and log of variance of Q(z|X)
            # Returns
                z (tensor): sampled latent vector
            """

            z_mean, z_log_var = args
            batch = K.shape(z_mean)[0]
            dim = K.int_shape(z_mean)[1]
            # by default, random_normal has mean = 0 and std = 1.0
            epsilon = K.random_normal(shape=(batch, dim))
            return z_mean + K.exp(0.5 * z_log_var) * epsilon

        # original_dim = self.no_features
        # intermediate_dim = 256
        latent_dim = 8
        inputs = Input(shape=(self.no_features,))
        x = Dense(256, activation='relu')(inputs)
        x = Dense(128, activation='relu')(x)
        x = Dense(64, activation='relu')(x)
        z_mean = Dense(latent_dim, name='z_mean')(x)
        z_log_var = Dense(latent_dim, name='z_log_var')(x)
        # use reparameterization trick to push the sampling out as input
        # note that "output_shape" isn't necessary with the TensorFlow backend
        z = Lambda(sampling, output_shape=(latent_dim,), name='z')([z_mean, z_log_var])
        # instantiate encoder model
        encoder = Model(inputs, [z_mean, z_log_var, z], name='encoder')


        # build decoder model
        latent_inputs = Input(shape=(latent_dim,), name='z_sampling')
        x = Dense(32, activation='relu')(latent_inputs)
        x = Dense(48, activation='relu')(x)
        x = Dense(64, activation='relu')(x)
        outputs = Dense(self.no_features, activation='linear')(x)

        # instantiate decoder model
        decoder = Model(latent_inputs, outputs, name='decoder')

        # instantiate VAE model
        outputs = decoder(encoder(inputs)[2])
        VAE = Model(inputs, outputs, name='vae_mlp')
        reconstruction_loss = mse(inputs, outputs)
        reconstruction_loss *= self.no_features
        kl_loss = 1 + z_log_var - K.square(z_mean) - K.exp(z_log_var)
        kl_loss = K.sum(kl_loss, axis=-1)
        kl_loss *= -0.5
        vae_loss = K.mean(reconstruction_loss + kl_loss)
        VAE.add_loss(vae_loss)
        VAE.compile(optimizer='adam')
        return VAE

现在，

vae_cls = VAE()
vae = vae_cls.build_model()
# vae.fit()
vae.save_weights('file.h5')

加载模型并预测（如果在不同的脚本中，则需要导入VAE 类），

vae_cls = VAE()
vae = vae_cls.build_model()
vae.load_weights('file.h5')
# vae.predict()

最后，区别：[ref]

Keras model.save 保存，

1. 模型权重
2. 模型架构
3. 模型编译详细信息（损失函数和指标）
4. 模型优化器和正则化器状态

Keras model.save_weights 仅保存模型权重。 Keras model.to_json() 保存模型架构。

希望这对尝试变分自动编码器的人有所帮助。

Answer 2

loss 函数应该是一个函数。你给你的模型一个包含两个函数的列表

尝试：

def mse(y_true, y_pred):
    return K.mean(K.square(y_pred - y_true), axis=-1)

model.compile(loss= (mse(y_true, y_pred)*(1-alpha) + gse(y_true, y_pred)*alpha),
              , ...)

Answer 3

为损失指定一个自定义函数：

model = Model(inputs=image, outputs=output)

alpha = 0.2
model.compile(
    loss=lambda y_true, y_pred: (1 - alpha) * mse(y_true, y_pred) + alpha * gse(y_true, y_pred),
    ...)

或者，如果您不想让丑陋的 lambda 成为实际函数：

def my_loss(y_true, y_pred):
    return (1 - alpha) * mse(y_true, y_pred) + alpha * gse(y_true, y_pred)

model = Model(inputs=image, outputs=output)

alpha = 0.2
model.compile(loss=my_loss, ...)

编辑：

如果你的alpha 不是全局常量，你可以有一个“损失函数工厂”：

def make_my_loss(alpha):
    def my_loss(y_true, y_pred):
        return (1 - alpha) * mse(y_true, y_pred) + alpha * gse(y_true, y_pred)
    return my_loss

model = Model(inputs=image, outputs=output)

alpha = 0.2
my_loss = make_my_loss(alpha)
model.compile(loss=my_loss, ...)

Answer 4

是的，定义您自己的自定义损失函数并在编译时将其传递给loss 参数：

def custom_loss(y_true, y_pred):
    return (1-alpha) * K.mean(K.square(y_true-y_pred)) + alpha * gse

（不确定gse 是什么意思）。看看在 Keras 中如何实现 vanilla loss 会有所帮助：https://github.com/keras-team/keras/blob/master/keras/losses.py