Keras 自定义损失函数，用于传递 y_true 和 y_pred 以外的参数答案

【问题标题】：Keras Custom loss function to pass arguments other than y_true and y_predKeras 自定义损失函数，用于传递 y_true 和 y_pred 以外的参数
【发布时间】：2018-04-02 03:38:09
【问题描述】：

我正在编写一个 keras 自定义损失函数，我想将以下内容传递给该函数： y_true, y_pred（这两个无论如何都会自动传递），模型内部层的权重，以及一个常数。

如下所示：

def Custom_loss(y_true, y_pred, layer_weights, val = 0.01):
    loss = mse(y_true, y_pred)
    loss += K.sum(val, K.abs(K.sum(K.square(layer_weights), axis=1)))
    return loss

但是上面的实现给了我错误。如何在 keras 中实现这一点？

【问题讨论】：

你也可以考虑add_loss...stackoverflow.com/a/62402699/10375049

标签： python tensorflow keras

【解决方案1】：

新答案

我认为您正在寻找 L2 正则化。只需创建一个正则化器并将其添加到图层中：

from keras.regularizers import l2

#in the target layers, Dense, Conv2D, etc.:
layer = Dense(units, ..., kernel_regularizer = l2(some_coefficient))

您也可以使用bias_regularizer。
some_coefficient 变量乘以权重的平方值。

PS：如果您的代码中的val 是常量，它应该不会损害您的损失。但是您仍然可以将下面的旧答案用于val。

旧答案

根据您的需要将 Keras 预期函数（带有两个参数）包装到外部函数中：

def customLoss(layer_weights, val = 0.01):
    
    def lossFunction(y_true,y_pred):    
        loss = mse(y_true, y_pred)
        loss += K.sum(val, K.abs(K.sum(K.square(layer_weights), axis=1)))
        return loss

    return lossFunction

model.compile(loss=customLoss(weights,0.03), optimizer =..., metrics = ...)

注意layer_weights 必须直接来自层作为“张量”，所以你不能使用get_weights()，你必须使用someLayer.kernel 和someLayer.bias。（或者在使用不同名称作为可训练参数的层的情况下，相应的 var 名称）。

如果您的外部变量是随批次变化的，这里的答案显示了如何处理：How to define custom cost function that depends on input when using ImageDataGenerator in Keras?

【讨论】：

是巧合吗，customLoss 也正好有两个输入变量？还是被包装的函数再次被限制为两个输入参数？
“lossFunction”必须始终有 2 个参数，即基本事实和预测。包装器（外部）函数无关紧要。
模型保存后似乎无法加载模型。它需要再次传递参数，至少对于张量是无法做到的
是的...如果您开始远离标准模型，在 keras 中保存和加载非常复杂。它需要 hacky 解决方法。有时我更喜欢重建整个模型（这意味着我保留模型的代码）并仅保存/加载权重。
但是你可以。您只需在加载模型时将损失函数传递给custom_objects。但请记住传递 keras 可能不知道的“一切”，从权重到损失本身。您必须保留您的自定义丢失代码。顺便说一句，如果想法是“使用”模型，则不需要损失、优化器等。这些仅用于训练。

【解决方案2】：

您可以通过使用lambda 运算符来执行此操作，如下所示：

model.compile(loss= [lambda y_true,y_pred: Custom_loss(y_true, y_pred, val=0.01)], optimizer =...)

以这种方式保存和加载模型存在一些问题。一种解决方法是只保存权重并使用model.load_weights(...)

【讨论】：