在keras中创建自定义损失函数

Question

嗨，我一直试图使一个自定义损失函数在kerasdice_error_coefficient。它有它的实现在张量板和我尝试使用相同的函数在keras与张量流但它不断返回一个NoneType当我使用model.train_on_batch或model.fit在那里，因为它给适当的值时，使用在模型中的指标...能不能请人帮帮我我该怎么办？我尝试过跟随像Keras-FCN这样的库，在那里他使用了自定义损失函数，但似乎都不起作用。代码中的目标和输出分别y_true和y_pred在keras的losses.py文件中使用。

def dice_hard_coe(target, output, threshold=0.5, axis=[1,2], smooth=1e-5):
    """References
    -----------
    - `Wiki-Dice <https://en.wikipedia.org/wiki/Sørensen–Dice_coefficient>`_
    """

    output = tf.cast(output > threshold, dtype=tf.float32)
    target = tf.cast(target > threshold, dtype=tf.float32)
    inse = tf.reduce_sum(tf.multiply(output, target), axis=axis)
    l = tf.reduce_sum(output, axis=axis)
    r = tf.reduce_sum(target, axis=axis)
    hard_dice = (2. * inse + smooth) / (l + r + smooth)
    hard_dice = tf.reduce_mean(hard_dice)
    return hard_dice

Answer 1

根据文档，您可以使用如下自定义损耗函数：

任何带有签名loss_fn（y_true，y_pred）的调用，返回一个损失数组（输入批次中的一个示例），都可以作为损失传递给compile（）。请注意，任何此类损失都自动支持样本加权。

举个简单的例子：

def my_loss_fn(y_true, y_pred):
    squared_difference = tf.square(y_true - y_pred)
    return tf.reduce_mean(squared_difference, axis=-1)  # Note the `axis=-1`

model.compile(optimizer='adam', loss=my_loss_fn)

完整示例：

import tensorflow as tf
import numpy as np

def my_loss_fn(y_true, y_pred):
    squared_difference = tf.square(y_true - y_pred)
    return tf.reduce_mean(squared_difference, axis=-1)  # Note the `axis=-1`

model = tf.keras.Sequential([
    tf.keras.layers.Dense(8, activation='relu'),
    tf.keras.layers.Dense(16, activation='relu'),
    tf.keras.layers.Dense(1)])

model.compile(optimizer='adam', loss=my_loss_fn)

x = np.random.rand(1000)
y = x**2

history = model.fit(x, y, epochs=10)

Answer 2

在Keras中实现参数化自定义损失函数有两个步骤。首先，编写系数/度量的方法。第二，编写一个包装器函数，按照Keras所需的方式对内容进行格式化。

>

实际上，对于像DICE这样的简单自定义损失函数，使用Keras后端而不直接使用tenstorflow会更干净。下面是这样实现的系数的一个例子：

import keras.backend as K
def dice_coef(y_true, y_pred, smooth, thresh):
    y_pred = y_pred > thresh
    y_true_f = K.flatten(y_true)
    y_pred_f = K.flatten(y_pred)
    intersection = K.sum(y_true_f * y_pred_f)

    return (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)

现在是棘手的部分。Keras损失函数必须仅采用（y_true，y_pred）作为参数。所以我们需要一个单独的函数来返回另一个函数。

def dice_loss(smooth, thresh):
  def dice(y_true, y_pred)
    return -dice_coef(y_true, y_pred, smooth, thresh)
  return dice

最后，您可以在Keras编译中使用它，如下所示。

# build model 
model = my_model()
# get the loss function
model_dice = dice_loss(smooth=1e-5, thresh=0.5)
# compile model
model.compile(loss=model_dice)