keras - Keras 中的自定义损失函数(焦点损失)输入大小错误

Question

我正在使用中性网络进行多类分类。有 3 个不平衡的类，所以我想使用焦点损失来处理不平衡。所以我使用自定义损失函数来适应 Keras 序列模型。我尝试了在网上找到的焦点损失函数的多个版本的代码，但它们返回相同的错误消息，基本上是说输入大小是预期的浴缸大小，而预期为 1。任何人都可以看看这个问题，如果可以，请告诉我修理它？对此，我真的非常感激!!!

model = build_keras_model(x_train, name='training1')

class FocalLoss(keras.losses.Loss):
    def __init__(self, gamma=2., alpha=4.,
             reduction = tf.keras.losses.Reduction.AUTO, name='focal_loss'):

    super(FocalLoss, self).__init__(reduction=reduction,
                                    name=name)
    self.gamma = float(gamma)
    self.alpha = float(alpha)

def call(self, y_true, y_pred):

        epsilon = 1.e-9
        y_true = tf.convert_to_tensor(y_true, tf.float32)
        y_pred = tf.convert_to_tensor(y_pred, tf.float32)
        model_out = tf.add(y_pred, epsilon)
        ce = tf.multiply(y_true, -tf.math.log(model_out))
        weight = tf.multiply(y_true, tf.pow(
            tf.subtract(1., model_out), self.gamma))
        fl = tf.multiply(self.alpha, tf.multiply(weight, ce))
        reduced_fl = tf.reduce_max(fl, axis=1)
        return tf.reduce_mean(reduced_fl)

model.compile(optimizer = tf.keras.optimizers.Adam(0.001),
          loss = FocalLoss(alpha=1),
          metrics=['accuracy'])
​
class_weight = {0: 1.,
            1: 6.,
            2: 6.}

# fit the model (train for 5 epochs) history = model.fit(x=x_train, y=y_train, batch_size=64, epochs=5, class_weight = class_weight)

ValueError: Can not squeeze dim[0], expected a dimension of 1, got 64 for 'loss/output_1_loss/weighted_loss/Squeeze' (op: 'Squeeze') with input shapes: [64].

Answer 1

您面临的问题是，您正在利用一些专为您执行某些逻辑而设计的助手类，但不幸的是，它的文档并不是很清楚它究竟为您做什么，因此，您究竟需要对您做什么自己的。

在这种情况下，您使用 tf.keras.losses.Loss .您需要做的就是实现 call() (以及可选的 __init__ )。不幸的是，documentation根本没有说明它的期望call()返回。但是因为你需要指定一个 reduction在 __init__() ，我们可以假设 call()预计不仅返回单个数字。否则 reduction将是无用的。换句话说:错误告诉你 call()返回单个数字，而预计返回 64 个数字(您的批量大小)。

因此，与其自己将批次减少为单个数字(通过调用 tf.reduce_mean(reduced_fl) )，不如让助手类为您执行此操作，然后返回 reduced_f1直接地。当前您使用 reduction=tf.keras.losses.Reduction.AUTO这可能是你想要的。