我正在嘗試在標簽可能非常稀疏的地方分割數據。因此，我只想計算至少具有一個非零值的列中的梯度。我已經嘗試了一些方法，其中我應用了一個額外的輸入，即這些非零列的掩碼，但鑒于所有必要的信息已經包含在 中y_true，只查看y_true查找掩碼的方法肯定會更可取。如果我用 numpy 實現它，它可能看起來像這樣：def loss(y_true, y_pred):
indices = np.where(np.sum(y_true, axis=1) > 0)
return binary_crossentropy(y_true[indices], y_pred[indices])y_truey_pred在這個例子中是矢量化的 2D 圖像。如何將其“轉化”為可微分的 Keras 損失函數？
1 回答
繁星點點滴滴
TA貢獻1803條經驗 獲得超3個贊
使用tf- 兼容的操作，通過tf和keras.backend：
import tensorflow as tf
import keras.backend as K
from keras.losses import binary_crossentropy
def custom_loss(y_true, y_pred):
indices = K.squeeze(tf.where(K.sum(y_true, axis=1) > 0))
y_true_sparse = K.cast(K.gather(y_true, indices), dtype='float32')
y_pred_sparse = K.cast(K.gather(y_pred, indices), dtype='float32')
return binary_crossentropy(y_true_sparse, y_pred_sparse) # returns a tensor
我不確定您的問題的確切維度規格，但損失必須評估為單個值 - 上面沒有，因為您正在傳遞多維預測和標簽。要減少暗淡，請用 eg 包裹上面的 return K.mean。例子：
y_true = np.random.randint(0,2,(10,2))
y_pred = np.abs(np.random.randn(10,2))
y_pred /= np.max(y_pred) # scale between 0 and 1
print(K.get_value(custom_loss(y_true, y_pred))) # get_value evaluates returned tensor
print(K.get_value(K.mean(custom_loss(y_true, y_pred))
>> [1.1489482 1.2705883 0.76229745 5.101402 3.1309896] # sparse; 5 / 10 results
>> 2.28284 # single value, as required
（最后，請注意，這種稀疏性會通過從總標簽/預測計數中排除全零列來偏置損失；如果不希望，您可以通過K.sumand K.shapeor進行平均K.size）
添加回答
舉報
0/150
提交
取消