当我没有真实值时，如何编写自己的自定义损失函数？答案

【问题标题】：How do I write my own custom loss function when I do not have the true values?当我没有真实值时，如何编写自己的自定义损失函数？
【发布时间】：2018-11-20 08:10:25
【问题描述】：

我正在尝试找出一种方法来创建我自己的损失函数。我在 R 上使用 keras_model_sequential() 模型。

custom_loss <- function(x){
    post <- second_model(x)   #the current model
    pri <- first_model()      #another already defined model
    LOSS <- sum((pri-post)^2)
    return(LOSS)
}

问题是我没有基本的 y_pred 和 y_true 变量（keras 的默认损失函数需要），因为我没有标记示例。我只有一个带有定义输入的随机模型。我的目标是通过最小化损失函数的成本来塑造模型。换句话说，我希望我的网络能够自行学习输出 (y) 的良好值。

编辑：

x_train <- model1 %>% predict(input_vector)

--code defining the model2 --

y_true <- matrix(c(1),100,16)  #dummy, because no target values

delta <- model2 %>% predict(x_train)
adjusted_input <- input_vector + delta
adjusted_y <- model1 %>% predict(adjusted_input)
y_pred <- adjusted_y #(just to have the same variable names as argument)

custom_loss <- function(y_pred, y_true){

    LOSS <- sum((10-y_pred)^2)
    return(LOSS)
}

现在问题来了……

model2 %>% compile(
  loss = custom_loss(y_pred, y_true),
  optimizer = optimizer_nadam(),
  metrics = c("mae")
)

【问题讨论】：

标签： r tensorflow keras

【解决方案1】：

好的，现在我明白了。由于您使用 tensorflow 后端，因此您必须在损失函数中传递张量对象并导入 tensorflow 的后端进行计算。

所以

导入 tensorflow 后端
直接使用 tensorflow 操作在损失函数中进行这些计算

delta <- model2 %>% predict(x_train)
adjusted_input <- input_vector + delta
adjusted_y <- model1 %>% predict(adjusted_input)
y_pred <- adjusted_

到input第一个模型的结果可以使用keras输入层：

layer_input() %>%

这是一个guide。

【讨论】：