Keras 上的自定义损失函数

Question

我有一个数据集，其中包含一个特征矩阵 X 和一个大小为 N 的标签矩阵 y，其中每个元素 y_i 属于 [0,1]。我有以下损失函数

其中g(.) 是一个依赖于输入矩阵 X 的函数。 我知道 Keras 自定义损失函数必须采用 customLoss(y_true,y_predicted) 的形式，但是，我在将术语 g(X) 合并到损失函数中时遇到了困难，因为这取决于输入矩阵。

对于我数据集中的每个数据点，我的输入格式为 X_i = (H, P)，其中这两个参数是矩阵，函数 g 为每个数据点定义为 g(X_i) = H x P。我可以在损失函数中传递a = (H, P)，因为这取决于每个示例，还是我需要通过连接它们来一次传递所有矩阵？

编辑（基于丹尼尔的回答）：

original_model_inputs = keras.layers.Input(shape=X_train.shape[1])
y_true_inputs = keras.layers.Input(shape=y_train.shape[1])
hidden1 = keras.layers.Dense(256, activation="relu")(original_model_inputs)
hidden2 = keras.layers.Dense(128, activation="relu")(hidden1)
output = keras.layers.Dense(K)(hidden2)

def lambdaLoss(x):
    yTrue, yPred, alpha = x
    return (K.log(yTrue) - K.log(yPred))**2+alpha*yPred

loss = Lambda(lambdaLoss)(y_true_inputs, output, a)

model = Keras.Model(inputs=[original_model_inputs, y_true_inputs], outputs=[output], loss)

def dummyLoss(true, pred):
    return pred

model.compile(loss = dummyLoss, optimizer=Adam())

train_model = model.fit([X_train, y_train], None, batch_size = 32, 
      epochs = 50, 
      validation_data = ([X_valid, y_valid], None), 
      callbacks=callbacks)

Answer 1

修正对我答案的理解：

original_model_inputs = keras.layers.Input(shape=X_train.shape[1:]) #must be a tuple, not an int
y_true_inputs = keras.layers.Input(shape=y_train.shape[1:]) #must be a tuple, not an int

hidden1 = keras.layers.Dense(256, activation="relu")(original_model_inputs)
hidden2 = keras.layers.Dense(128, activation="relu")(hidden1)
output = keras.layers.Dense(K)(hidden2)

你需要做一些事情g(X)，我不知道它是什么，但你需要在某个地方做。 是的，你需要一次通过整个张量，你不能让x_i 和其他所有东西。

def g(x):
    return something

gResults = Lambda(g)(original_model_inputs)

继续我的回答：

def lambdaLoss(x):
    yTrue, yPred, G = x

    .... #wait.... where is Y_true in your loss formula?

loss = Lambda(lambdaLoss)([y_true_inputs, output, gResults]) #must be a list of inputs including G

您需要一个模型进行训练，另一个模型来获得输出，因为我们正在做一个弗兰肯斯坦模型，因为损失不同。

training_model = keras.Model(inputs=[original_model_inputs, y_true_inputs], outputs=loss)
prediction_model = keras.Model(original_model_inputs, output) 

只需要编译训练模型：

def dummyLoss(true, pred):
    return pred

training_model.compile(loss = dummyLoss, optimizer=Adam())

training_model = model.fit([X_train, y_train], None, batch_size = 32, 
      epochs = 50, 
      validation_data = ([X_valid, y_valid], None), 
      callbacks=callbacks)

使用其他模型获取结果数据：

results = prediction_model.predict(some_x)

Answer 2

看起来像是某种 GAN。我将（x）称为“x_input”，两种方法：

方法一）从tf.keras.model类继承，自己写（不推荐，不展示）

方法 2) 从 tf.keras.losses.Loss 类继承。并返回（自定义）tf.keras.losses.Loss 实例和 tf.keras.layers.Layer 的元组，它们只不过充当外壳来抓取并保存 x_input (x) 的副本。然后可以将此层实例添加为模型的顶层。 （自定义）tf.keraslosses。然后损失实例可以按需访问输入。这种方法在 Tensorflow 的整个生命周期中也有最好的未来支持。

首先，创建自定义层和自定义损失类：

class Acrylic_Layer(tf.keras.layers.Layer):
    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)
        self.x_input = None
        
    def build(self, *args, **kwargs):
        pass

    def call(self, input):
        self.x_input = input
        return input # Pass input directly through to next layer

class Custom_Loss(tf.keras.losses.Loss):
    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)
        
        self.input_thief = Acrylic_Layer() # <<< Magic, python is pass by reference!

    def __call__(self, y_true, y_pred, sample_weight=None):
        x_input = self.input_thief.x_input # <<< x_input pulled from model

二、给模型添加层和损失函数

loss_fn = Custom_Loss(*args, **kwargs)
input_thief = loss_fn.input_thief

model = tf.keras.models.Sequential([
    input_thief, # <<< transparent layer
    Other_layers,
])

model.fit(loss=loss_fn) # <<< loss function

最后，我是正在寻找 ML/python 角色的市场，大声呼喊。