Custom-Verlust-Funktion Keras Tensorflow

Brauche ich eine custom-weighted MSE-Verlust-Funktion. Ich definierte es in keras.backend

from keras import backend as K
def weighted_loss(y_true, y_pred):
    return K.mean( K.square(y_pred - y_true) *
    K.exp(-K.log(1.7) * (K.log(1. + K.exp((y_true - 3)/5 ))))      
    ,axis=-1  )

Jedoch ein Testlauf gibt

    weighted_loss(1,2)
ValueError: Tensor conversion requested dtype int32 for Tensor with dtype float32: 'Tensor("Exp_37:0", shape=(), dtype=float32)'

oder

    weighted_loss(1.,2.)
ZeroDivisionError: integer division or modulo by zero

Frage ich mich, welche Fehler ich hier machen.

InformationsquelleAutor axiom | 2017-07-24
  1. 6

    Ob Sie mit Tensorflow oder Theano ist irrelevant für deine Frage. Google die Bedeutung von 'tensor', wenn der Begriff verwirrt Sie.

    Werfen Sie einen Blick auf, wie Keras eigene Verlust-Funktion tests wurden implementiert hier:

    def test_metrics():
    y_a = K.variable(np.random.random((6, 7)))
    y_b = K.variable(np.random.random((6, 7)))
    for metric in all_metrics:
        output = metric(y_a, y_b)
        print(metric.__name__)
        assert K.eval(output).shape == (6,)

    Kann man nicht einfach den feed eines float-oder int-in-tensor-Berechnungen. Beachten Sie auch, dass K. eval erhalten Sie das Ergebnis, die Sie suchen.

    Also versuchen Sie etwas ähnliches mit Ihrer Funktion:

    from keras import backend as K
import numpy as np

y_a = K.variable(np.random.random((6, 7)))
y_b = K.variable(np.random.random((6, 7)))
output = weighted_loss(y_a,y_b)
result = K.eval(output)

    Gibt es auch keine Definition der benutzerdefinierten Funktion in keras.backend - was ist, wenn Sie sich entscheiden, zu aktualisieren, Keras später?

    Stattdessen können Sie das folgende tun in Ihrem eigenen code: definieren Sie eine Funktion zurückgibt, die Ihren Verlust-Funktion

    def weighted_loss(y_true, y_pred):
        return K.mean( K.square(y_pred - y_true) * K.exp(-K.log(1.7) * (K.log(1. + K.exp((y_true - 3)/5 )))),axis=-1  )

    Dann, wenn Sie kompilieren möchten Sie Ihr Modell mit Ihrem Verlust der Funktion, die Sie tun können:

    model.compile(loss = weighted_loss)

    In Fall, dass Sie wollen, um zu definieren, ein allgemeiner Verlust der Funktion, wobei die Gewichtung abhängig von input, den Sie brauchen, um die wrap-Funktion. So zum Beispiel:

    def get_weighted_loss(my_input):
    def weighted_loss(y_true, y_pred):
        return K.mean( K.square(y_pred - y_true) * K.exp(-K.log(1.7) * (K.log(1. + K.exp((y_true - 3)/my_input )))),axis=-1  )
    return weighted_loss

    Dann, wenn Sie kompilieren möchten Sie Ihr Modell mit Ihrem Verlust der Funktion, die Sie tun können:

    model.compile(loss = get_weighted_loss(5))
    • Vielen Dank für die Antwort. Ihr code wertet die weighted_loss erfolgreich funktionieren. Jedoch, wenn ich versuche, mit dieser weighted_loss als einen Verlust der Funktion, bekomme ich eine Funktion nicht gefunden Fehler. Ist, dass vernünftigerweise davon ausgehen, dass die Formulierung " meine Funktion ist ok, es ist nur so, dass Keras ist nicht das Lesen meiner Funktion irgendwie?
    • Das ist durchaus sinnvoll, ja. Ich habe ein paar mehr Infos als auf hinzufügen und verwenden Sie den Verlust der Funktion, ohne dass alles Durcheinander in die Keras Quelle
    • Es funktioniert einwandfrei. Vielen Dank! Aber warum muss ich wickeln Sie die Verlust-Funktion in eine andere Funktion? Das habe ich nicht tun, damit der code nicht auf mich. Ich entschuldige mich für die newbie-Frage. Dies geschieht, um mein erstes python-code als auch.
    • Was Keras will, ist, dass Sie Verlust in Höhe des Verlust - - Funktion, nicht auf eine bestimmte Verlust. Wenn Sie nicht wickeln Sie Ihre Funktion, sondern geben es direkt, du bist nicht die Bereitstellung der Funktion - Sie sind die Bereitstellung der Funktion ist die Ausgabe für eine bestimmte Eingabe, in diesem Fall eine spezifische Verluste für ein bestimmtes y_true und y_pred. Der wrapper gibt jetzt eine Funktion, dass Keras selbst können einen Beitrag liefern, um, und erhalten die Ausgabe aus, während der Ausbildung.
    • Vielen Dank für die Antworten
    • Ich sehe keinen Grund, warum Sie benötigt, um wickeln Sie die Verlust-Funktion in eine andere Funktion, Sie können nur übergeben Sie es durch den Namen, ohne ihn aufzurufen.Das wirkliche Problem in den ursprünglichen post war, die OP wurde versucht, die eval-Verlust-Funktion mit float-Eingänge als tensor-Eingänge.
    • Du hast Recht, in diesem Fall gibt es keine Notwendigkeit für die Verpackung. Ich habe mich verändert die asnwer entsprechend

    InformationsquelleAutor 5Ke
Schreibe einen Kommentar