keras 自定义loss层+接受输入实例


Posted in Python onJune 28, 2020

loss函数如何接受输入值

keras封装的比较厉害,官网给的例子写的云里雾里,

在stackoverflow找到了答案

You can wrap the loss function as a inner function and pass your input tensor to it (as commonly done when passing additional arguments to the loss function).

def custom_loss_wrapper(input_tensor):
 def custom_loss(y_true, y_pred):
  return K.binary_crossentropy(y_true, y_pred) + K.mean(input_tensor)
 return custom_loss
input_tensor = Input(shape=(10,))
hidden = Dense(100, activation='relu')(input_tensor)
out = Dense(1, activation='sigmoid')(hidden)
model = Model(input_tensor, out)
model.compile(loss=custom_loss_wrapper(input_tensor), optimizer='adam')

You can verify that input_tensor and the loss value will change as different X is passed to the model.

X = np.random.rand(1000, 10)
y = np.random.randint(2, size=1000)
model.test_on_batch(X, y) # => 1.1974642
X *= 1000
model.test_on_batch(X, y) # => 511.15466

fit_generator

fit_generator ultimately calls train_on_batch which allows for x to be a dictionary.

Also, it could be a list, in which casex is expected to map 1:1 to the inputs defined in Model(input=[in1, …], …)

### generator
yield [inputX_1,inputX_2],y
### model
model = Model(inputs=[inputX_1,inputX_2],outputs=...)

补充知识:keras中自定义 loss损失函数和修改不同样本的loss权重(样本权重、类别权重)

首先辨析一下概念:

1. loss是整体网络进行优化的目标, 是需要参与到优化运算,更新权值W的过程的

2. metric只是作为评价网络表现的一种“指标”, 比如accuracy,是为了直观地了解算法的效果,充当view的作用,并不参与到优化过程

一、keras自定义损失函数

在keras中实现自定义loss, 可以有两种方式,一种自定义 loss function, 例如:

# 方式一
def vae_loss(x, x_decoded_mean):
 xent_loss = objectives.binary_crossentropy(x, x_decoded_mean)
 kl_loss = - 0.5 * K.mean(1 + z_log_sigma - K.square(z_mean) - K.exp(z_log_sigma), axis=-1)
 return xent_loss + kl_loss
 
vae.compile(optimizer='rmsprop', loss=vae_loss)

或者通过自定义一个keras的层(layer)来达到目的, 作为model的最后一层,最后令model.compile中的loss=None:

# 方式二
# Custom loss layer
class CustomVariationalLayer(Layer):
 
 def __init__(self, **kwargs):
  self.is_placeholder = True
  super(CustomVariationalLayer, self).__init__(**kwargs)
 def vae_loss(self, x, x_decoded_mean_squash):
 
  x = K.flatten(x)
  x_decoded_mean_squash = K.flatten(x_decoded_mean_squash)
  xent_loss = img_rows * img_cols * metrics.binary_crossentropy(x, x_decoded_mean_squash)
  kl_loss = - 0.5 * K.mean(1 + z_log_var - K.square(z_mean) - K.exp(z_log_var), axis=-1)
  return K.mean(xent_loss + kl_loss)
 
 def call(self, inputs):
 
  x = inputs[0]
  x_decoded_mean_squash = inputs[1]
  loss = self.vae_loss(x, x_decoded_mean_squash)
  self.add_loss(loss, inputs=inputs)
  # We don't use this output.
  return x
 
y = CustomVariationalLayer()([x, x_decoded_mean_squash])
vae = Model(x, y)
vae.compile(optimizer='rmsprop', loss=None)

在keras中自定义metric非常简单,需要用y_pred和y_true作为自定义metric函数的输入参数 点击查看metric的设置

注意事项:

1. keras中定义loss,返回的是batch_size长度的tensor, 而不是像tensorflow中那样是一个scalar

2. 为了能够将自定义的loss保存到model, 以及可以之后能够顺利load model, 需要把自定义的loss拷贝到keras.losses.py 源代码文件下,否则运行时找不到相关信息,keras会报错

有时需要不同的sample的loss施加不同的权重,这时需要用到sample_weight,例如

discriminator.train_on_batch(imgs, [valid, labels], class_weight=class_weights)

二、keras中的样本权重

# Import
import numpy as np
from sklearn.utils import class_weight
 
# Example model
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(1, activation='sigmoid'))
 
# Use binary crossentropy loss
model.compile(optimizer='rmsprop',
    loss='binary_crossentropy',
    metrics=['accuracy'])
 
# Calculate the weights for each class so that we can balance the data
weights = class_weight.compute_class_weight('balanced',
           np.unique(y_train),
           y_train)
 
# Add the class weights to the training           
model.fit(x_train, y_train, epochs=10, batch_size=32, class_weight=weights)

Note that the output of the class_weight.compute_class_weight() is an numpy array like this: [2.57569845 0.68250928].

以上这篇keras 自定义loss层+接受输入实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持三水点靠木。

Python 相关文章推荐
简明 Python 基础学习教程
Feb 08 Python
Python 字典dict使用介绍
Nov 30 Python
python类:class创建、数据方法属性及访问控制详解
Jul 25 Python
让Python脚本暂停执行的几种方法(小结)
Jul 11 Python
Python操作远程服务器 paramiko模块详细介绍
Aug 07 Python
关于PyTorch 自动求导机制详解
Aug 18 Python
python web框架中实现原生分页
Sep 08 Python
pandas中read_csv的缺失值处理方式
Dec 19 Python
python tkinter GUI绘制,以及点击更新显示图片代码
Mar 14 Python
Python 创建TCP服务器的方法
Jul 28 Python
Pycharm如何自动生成头文件注释
Nov 14 Python
使用sublime text3搭建Python编辑环境的实现
Jan 12 Python
python批量处理多DNS多域名的nslookup解析实现
Jun 28 #Python
解决Keras TensorFlow 混编中 trainable=False设置无效问题
Jun 28 #Python
Keras: model实现固定部分layer,训练部分layer操作
Jun 28 #Python
sklearn的predict_proba使用说明
Jun 28 #Python
基于python实现ROC曲线绘制广场解析
Jun 28 #Python
Python sklearn中的.fit与.predict的用法说明
Jun 28 #Python
浅谈sklearn中predict与predict_proba区别
Jun 28 #Python
You might like
一个捕获函数输出的函数
2007/02/14 PHP
手把手教你使用DedeCms的采集的图文教程
2007/03/11 PHP
php 过滤危险html代码
2009/06/29 PHP
jquery select(列表)的操作(取值/赋值)
2009/08/06 Javascript
JQuery 应用 JQuery.groupTable.js
2010/12/15 Javascript
Javascript Throttle & Debounce应用介绍
2013/03/19 Javascript
javascript数组详解
2014/10/22 Javascript
使用Script元素发送JSONP请求的方法
2016/06/12 Javascript
AngularJS入门教程之XHR和依赖注入详解
2016/08/18 Javascript
jQuery EasyUI编辑DataGrid用combobox实现多级联动
2016/08/29 Javascript
AngularJS自定义控件实例详解
2016/12/13 Javascript
Bootstrap整体框架之JavaScript插件架构
2016/12/15 Javascript
[14:03]2017DOTA2亚洲邀请赛开幕式:12神兵演绎水墨中华
2017/04/01 DOTA
[01:01:35]Optic vs paiN 2018国际邀请赛小组赛BO2 第二场 8.19
2018/08/21 DOTA
[01:03:27]NAVI vs EG 2019国际邀请赛小组赛 BO2 第一场 8.15
2019/08/17 DOTA
python如何对实例属性进行类型检查
2018/03/20 Python
Python装饰器原理与用法分析
2018/04/30 Python
windows下python安装小白入门教程
2018/09/18 Python
python 输入一个数n,求n个数求乘或求和的实例
2018/11/13 Python
python networkx 根据图的权重画图实现
2019/07/10 Python
Django values()和value_list()的使用
2020/03/31 Python
Python 合并拼接字符串的方法
2020/07/28 Python
Python实现王者荣耀自动刷金币的完整步骤
2021/01/22 Python
西班牙汉普顿小姐:购买帆布鞋和太阳镜
2016/10/23 全球购物
伦敦所有西区剧院演出官方票务代理:Theatre Tickets Direct
2017/05/26 全球购物
Javascript如何发送一个Ajax请求
2015/01/26 面试题
Java语言程序设计测试题判断题部分
2013/01/06 面试题
汽车检测与维修应届毕业生求职信
2013/10/19 职场文书
自我评价的写作规则
2014/01/06 职场文书
詹天佑教学反思
2014/04/30 职场文书
应届硕士毕业生自荐信
2014/05/26 职场文书
信用卡收入证明范本
2015/06/12 职场文书
2015暑期社会实践个人总结
2015/07/13 职场文书
《认识年月日》教学反思
2016/02/19 职场文书
作文之亲情600字
2019/09/23 职场文书
python实现剪贴板的操作
2021/07/01 Python