Keras自定义损失功能：访问当前输入模式

Question

在Keras（具有Tensorflow后端）中，当前输入模式可用于我的自定义损失函数吗？

当前输入模式定义为用于产生预测的输入向量。例如，考虑以下内容：X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42, shuffle=False)。然后，当前输入模式是与y_train（在损失函数中称为y_true）关联的当前X_train向量。

在设计自定义损失函数时，我打算优化/最小化一个需要访问当前输入模式而不只是当前预测的值。

我已经看过https://github.com/fchollet/keras/blob/master/keras/losses.py

我还浏览了“不只是y_pred，y_true的成本函数”

我还熟悉前面的示例，以生成定制的损失函数：

import keras.backend as K

def customLoss(y_true,y_pred):
    return K.sum(K.log(y_true) - K.log(y_pred))

大概(y_true,y_pred)在其他地方定义。我浏览了源代码，但没有成功，我想知道我是否需要自己定义当前的输入模式，或者我的损失函数是否已经可以访问此输入模式。

Answer 1

您可以将损失函数包装为内部函数，并将输入张量传递给它（如将其他参数传递给损失函数时通常这样做）。

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')

您可以验证input_tensor损失值（主要是K.mean(input_tensor)零件）是否会随着X传递给模型的不同而发生变化。

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