所以这里是详细描述。我有一个带有两层输出 x1 和 x2 的 keras 功能模型。
x1 = Dense(1,activation='relu')(prev_inp1)
x2 = Dense(2,activation='relu')(prev_inp2)
我需要使用这些 x1 和 x2,合并/添加它们并像附加图像中那样提出加权损失函数。将“相同的损失”传播到两个分支中。 Alpha 可以灵活地随着迭代而变化
最佳答案
似乎将“相同的损失”传播到两个分支中不会生效,除非 alpha 依赖于两个分支。如果 alpha 不是根据两个分支而变化的,那么部分损失将只是一个分支的常数。
因此,在这种情况下,只需将两个损失分开编译模型并将权重添加到 compile 方法中:
model.compile(optmizer='someOptimizer',loss=[loss1,loss2],loss_weights=[alpha,1-alpha])
当您需要更改 alpha 时再次编译。
但如果确实 alpha 依赖于两个分支,那么您需要连接结果并计算 alpha 的值:
singleOut = Concatenate()([x1,x2])
以及自定义损失函数:
def weightedLoss(yTrue,yPred):
x1True = yTrue[0]
x2True = yTrue[1:]
x1Pred = yPred[0]
x2Pred = yPred[1:]
#calculate alpha somehow with keras backend functions
return (alpha*(someLoss(x1True,x1Pred)) + ((1-alpha)*(someLoss(x2True,x2Pred))
用这个函数编译:
model.compile(loss=weightedLoss, optimizer=....)
关于tensorflow - keras 结合两个损失与可调权重,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46163909/