在带条件的keras中实现自定义损失函数

Question

我需要一些帮助与keras损失函数。我一直在Tensorflow后端的keras上实现自定义损失功能。

我已经在numpy中实现了自定义损失函数，但如果能将其转换为keras损失函数，那就太好了。丢失函数采用数据帧和用户id序列。如果用户id不同，则相同用户id的欧氏距离为正和负。函数返回数据帧的合计标量距离。

def custom_loss_numpy (encodings, user_id):
# user_id: a pandas series of users
# encodings: a pandas dataframe of encodings

    batch_dist = 0

    for i in range(len(user_id)):
         first_row = encodings.iloc[i,:].values
         first_user = user_id[i]

         for j in range(i+1, len(user_id)):
              second_user = user_id[j]
              second_row = encodings.iloc[j,:].values

        # compute distance: if the users are same then Euclidean distance is positive otherwise negative.
            if first_user == second_user:
                tmp_dist = np.linalg.norm(first_row - second_row)
            else:
                tmp_dist = -np.linalg.norm(first_row - second_row)

            batch_dist += tmp_dist

    return batch_dist

我试图实现到keras损失函数。我提取Numpy数组从y_true和y_pred张量对象。

def custom_loss_keras(y_true, y_pred):
    # session of my program
    sess = tf_session.TF_Session().get()

    with sess.as_default():
        array_pred = y_pred.eval()
        print(array_pred)

但是我得到了以下错误。

tensorflow.python.framework.errors_impl.InvalidArgumentError: You must feed a value for placeholder tensor 'dense_1_input' with dtype float and shape [?,102]
 [[Node: dense_1_input = Placeholder[dtype=DT_FLOAT, shape=[?,102], _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]

任何形式的帮助都将不胜感激。

Answer 1

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损失函数只能将（y\u true，y\u 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Kerascompile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)

Answer 2

首先，在Keras损失函数中不能“从y_true和y_pred中提取Numpy数组”。您必须使用Keras后端函数（或TF函数）操作张量来计算损失。

换句话说，最好考虑一种“矢量化”的方法来计算损耗，而不使用if-else和循环。

可以通过以下步骤计算损失函数：

1. 在编码中的所有向量对之间生成成对欧氏距离矩阵。
2. 生成一个矩阵I，其元素I_ij为1 ifuser_i==user_j，-1 ifuser_i！=user_j.
3. 以元素的方式将两个矩阵相乘，并将元素相加得到最终损失。

下面是一个实现：

def custom_loss_keras(user_id, encodings):
    # calculate pairwise Euclidean distance matrix
    pairwise_diff = K.expand_dims(encodings, 0) - K.expand_dims(encodings, 1)
    pairwise_squared_distance = K.sum(K.square(pairwise_diff), axis=-1)

    # add a small number before taking K.sqrt for numerical safety
    # (K.sqrt(0) sometimes becomes nan)
    pairwise_distance = K.sqrt(pairwise_squared_distance + K.epsilon())

    # this will be a pairwise matrix of True and False, with shape (batch_size, batch_size)
    pairwise_equal = K.equal(K.expand_dims(user_id, 0), K.expand_dims(user_id, 1))

    # convert True and False to 1 and -1
    pos_neg = K.cast(pairwise_equal, K.floatx()) * 2 - 1

    # divide by 2 to match the output of `custom_loss_numpy`, but it's not really necessary
    return K.sum(pairwise_distance * pos_neg, axis=-1) / 2

我假设user\u id是上面代码中的整数。这里的技巧是使用K.expand_dims实现成对操作。乍一看可能有点难理解，但它非常有用。

它应该给出与custom\u loss\u numpy大致相同的损耗值（由于K.epsilon（），会有一点不同）：

encodings = np.random.rand(32, 10)
user_id = np.random.randint(10, size=32)

print(K.eval(custom_loss_keras(K.variable(user_id), K.variable(encodings))).sum())
-478.4245

print(custom_loss_numpy(pd.DataFrame(encodings), pd.Series(user_id)))
-478.42953553795815

我在损失函数中犯了一个错误。

在训练中使用此函数时，由于Keras会自动将y\u true更改为至少2D，因此参数user\u id不再是1D张量。它的形状将是（批量大小，1）。

要使用此功能，必须拆下额外的轴：

def custom_loss_keras(user_id, encodings):
    pairwise_diff = K.expand_dims(encodings, 0) - K.expand_dims(encodings, 1)
    pairwise_squared_distance = K.sum(K.square(pairwise_diff), axis=-1)
    pairwise_distance = K.sqrt(pairwise_squared_distance + K.epsilon())

    user_id = K.squeeze(user_id, axis=1)  # remove the axis added by Keras
    pairwise_equal = K.equal(K.expand_dims(user_id, 0), K.expand_dims(user_id, 1))

    pos_neg = K.cast(pairwise_equal, K.floatx()) * 2 - 1
    return K.sum(pairwise_distance * pos_neg, axis=-1) / 2