keras - RNN (keras) 的欧氏距离损失函数

Question

我想将欧氏距离设置为 LSTM 或 RNN 的损失函数。

这样的函数应该有什么输出:float、(batch_size) 或 (batch_size, timesteps)？

模型输入 X_train 是 (n_samples, timesteps, data_dim)。 Y_train 具有相同的维度。

示例代码:

def euc_dist_keras(x, y):
    return K.sqrt(K.sum(K.square(x - y), axis=-1, keepdims=True))


model = Sequential()
model.add(SimpleRNN(n_units, activation='relu', input_shape=(timesteps, data_dim), return_sequences=True))
model.add(Dense(n_output, activation='linear'))

model.compile(loss=euc_dist_keras, optimizer='adagrad')

model.fit(y_train, y_train, batch_size=512, epochs=10)

那么，我应该根据时间步长维度和/或 batch_size 平均损失吗？

Answer 1

损失函数将采用预测标签和真实标签，并将输出一个标量，在 Keras 中:

from keras import backend as K 
def euc_dist_keras(y_true, y_pred):
    return K.sqrt(K.sum(K.square(y_true - y_pred), axis=-1, keepdims=True))

请注意，它不会将 X_train 作为输入。损失计算遵循前向传播步骤，其值提供预测标签与真实标签相比的优度。

What output should such function have: float, (batch_size) or (batch_size, timesteps)?

损失函数应该有标量输出。

So, should I average loss over timesteps dimension and/or batch_size?

这不需要能够使用欧氏距离作为损失函数。

旁注:对于您的情况，我认为问题可能出在神经网络架构上，而不是损失。给定 (batch_size, timesteps, data_dim) SimpleRNN 的输出将是 (batch_size, timesteps, n_units)，而 的输出>密集层将是(batch_size, n_output)。因此，鉴于您的 Y_train 具有 (batch_size, timesteps, data_dim) 形状，您可能需要使用 TimeDistributed wrapper对每个时间切片应用Dense，并调整全连接层中隐藏单元的数量。