我正在嘗試在Keras中為U-net編寫一個自定義損失函數，其目的不僅是計算預測圖像和真實圖像的均方誤差（MSE），還要計算其梯度的MSE。我不確定這是否正常，但是在我的自定義損失函數中，即使從以下鏈接中，我也期望y_true的大小與y_pred相同，并且在我的情況下，它應該具有以下大?。海╞atch_size，128，256， 3).y_true我已經列出了我為自定義損失函數編寫的代碼，如果有人能給出任何建議，我將不勝感激。import tensorflow.keras.backend as K# Encouraging the predicted image to match the label not only in image domain, but also in gradient domaindef keras_customized_loss(batch_size, lambda1 = 1.0, lambda2 = 0.05): def grad_x(image): out = K.zeros((batch_size,)+image.shape[1:4]) out = K.abs(image[0:batch_size, 1:, :, :] - image[0:batch_size, :-1, :, :]) return out def grad_y(image): out = K.zeros((batch_size,)+image.shape[1:4]) out = K.abs(image[0:batch_size, :, 1:, :] - image[0:batch_size, :, :-1, :]) return out #OBS: Now y_true has size: (None, None, None, None), figure out how to solve it def compute_loss(y_true, y_pred): pred_grad_x = grad_x(y_pred) pred_grad_y = grad_y(y_pred) true_grad_x = grad_x(y_true) true_grad_y = grad_y(y_true) loss1 = K.mean(K.square(y_pred-y_true)) loss2 = K.mean(K.square(pred_grad_x-true_grad_x)) loss3 = K.mean(K.square(pred_grad_y-true_grad_y)) return (lambda1*loss1+lambda2*loss2+lambda2*loss3) return compute_lossmodel.compile(optimizer='adam', loss = keras_customized_loss(BATCH_SIZE), metrics=['MeanAbsoluteError'])
1 回答
慕森王
TA貢獻1777條經驗 獲得超3個贊
None意味著它接受可變大小。
因此，您的自定義損失可以非常靈活。
實際大小自然是傳遞給 的數據批的大小。
如果您的數據具有形狀，則無需擔心。fit(samples, 128,256,3)
但是你的代碼中有很多不必要的東西，你可以：
def keras_customized_loss(lambda1 = 1.0, lambda2 = 0.05):
def grad_x(image):
return K.abs(image[:, 1:] - image[:, :-1])
def grad_y(image):
return K.abs(image[:, :, 1:] - image[:, :, :-1])
def compute_loss(y_true, y_pred):
pred_grad_x = grad_x(y_pred)
pred_grad_y = grad_y(y_pred)
true_grad_x = grad_x(y_true)
true_grad_y = grad_y(y_true)
loss1 = K.mean(K.square(y_pred-y_true))
loss2 = K.mean(K.square(pred_grad_x-true_grad_x))
loss3 = K.mean(K.square(pred_grad_y-true_grad_y))
return (lambda1*loss1+lambda2*loss2+lambda2*loss3)
return compute_loss
添加回答
舉報
0/150
提交
取消