python - 在keras中的自定义损失函数中做一些数学计算

Question

我创建了一个具有三个密集层的 keras 顺序模型，我只是创建了一个自定义损失函数，如下所示:

def lossFunctionality(y_t, y_p):
    # 'y_t' shape is (bach_size, 500)
    # 'y_p' shape is (bach_size, 256) (output of last layer)
    # 'v' is np array of shape (500, 256)

    p = K.exp(K.dot(y_p, K.transpose(v)))
    sp = K.sum(p,axis=1)
    sp = K.expand_dims(sp, axis=1)
    sp = K.tile(sp,(1, len(v)))

    soft = p/sp
    soft=K.clip(soft, 0.0000001, 0.9999999)
    obj = K.categorical_crossentropy(soft, y_t)
    return obj

有了这个损失函数，一切都会顺利。

但现在假设“y_p”中的每个记录都有特定的“v”数组，并且我想要执行代码的第 5 行，以获得“y_p”与记录特定的“v”数组的点积。换句话说，我有“v”向量的 bach_size 数量，我想将“y_p”中的每个记录乘积到特定的“v”数组。我想要的显示如下:

def lossFunctionality(y_t, y_p):
    tempArray=[]
    for record in y_p:
        tempArray.append(K.exp(K.dot(record, K.transpose(v))))
    p=np.array(tempArray)
    sp = K.sum(p,axis=1)
    sp = K.expand_dims(sp, axis=1)
    sp = K.tile(sp,(1, len(v)))

    soft = p/sp
    soft=K.clip(soft, 0.0000001, 0.9999999)
    obj = K.categorical_crossentropy(soft, y_t)
    return obj

但我收到错误“Tensor”对象不可迭代。 我怎样才能以正确的方式实现我的损失函数 我非常感谢您的帮助

Answer 1

您不应该真正迭代张量或在损失函数中使用列表、numpy 数组等。

理想情况下，您必须使用 backend 执行所有操作函数，可以与张量一起正常工作。

如果我理解正确，您需要的是一个 batch_dot 函数，如果您确实需要转置“v”，则可能与 permute_dimensions 相关联。

我假设你有一个“v”向量列表，对吧？我会回答它，就好像代码中的“v”是一个形状为 (batch_size, 500, 256) 的 numpy 数组。

import keras.backend as K

--------------

#transform v in a tensor
vTens = K.variable(v) #maybe having vTens already instanced and transposed outside the loss function would result in better performance (if it's constant)   

#transposing v without changing the batch dimension
vTrans = K.permute_dimensions(vTens,(0,2,1)) 

#doing a batch dot
dotResult = K.batch_dot(y_p,vTrans,axes=[1,2])

在batch_dot中，考虑了轴1和2，而轴0是批量大小，将保持不变。

关于您的功能的重要说明:

您将无法拥有不同尺寸的 y_p 和 y_t。这简直令人无法接受。您的模型预测必须与您的真实值具有完全相同的形状。

fit 方法(或任何其他训练方法)中肯定会出现错误，告诉您尺寸不匹配。

在达到损失函数之前，您确实需要一个层来转换输出，因此 y_p 和 y_t 具有相同的维度。

为此，请使用 LambdaLayer

model.add(LambdaLayer(transformOutput, output_shape=(500,))

其中 transformOutput 是您之前描述的函数，也可以使用张量。

def transformOutput(x):
    #transform v in a tensor
    vTens = K.variable(v) #maybe having vTens already instanced and transposed outside the loss function would result in better performance (if it's constant)   

    #transposing v without changing the batch dimension
    vTrans = K.permute_dimensions(vTens,(0,2,1)) 

    #doing a batch dot
    return K.batch_dot(x,vTrans,axes=[1,2])