python - Keras历史平均自定义损失函数

Question

我目前正在 Keras 中试验生成对抗网络。 正如 this 中提出的论文中，我想使用历史平均损失函数。这意味着我想惩罚网络权重的变化。 我不知道如何以巧妙的方式实现它。

我正在根据this的答案实现自定义损失函数。发布。

def historical_averaging_wrapper(current_weights, prev_weights):
    def historical_averaging(y_true, y_pred):
        diff = 0
        for i in range(len(current_weights)):
            diff += abs(np.sum(current_weights[i]) + np.sum(prev_weights[i]))
        return K.binary_crossentropy(y_true, y_pred) + diff
    return historical_averaging

网络的权重受到惩罚，并且每批数据后权重都会发生变化。

我的第一个想法是在每批之后更新损失函数。 大致是这样的:

prev_weights = model.get_weights()
for i in range(len(data)/batch_len):
    current_weights = model.get_weights()
    model.compile(loss=historical_averaging_wrapper(current_weights, prev_weights), optimizer='adam')
    model.fit(training_data[i*batch_size:(i+1)*batch_size], training_labels[i*batch_size:(i+1)*batch_size], epochs=1, batch_size=batch_size)
    prev_weights = current_weights

这样合理吗？在我看来，这种做法似乎有点“困惑”。 是否有另一种可能性以“更智能”的方式做到这一点？ 就像更新数据生成器中的损失函数并使用 fit_generator() 一样？ 提前致谢。

Answer 1

损失函数是使用张量对图进行的运算。 您可以在损失函数中定义额外的张量来保存以前的值。这是一个例子:

import tensorflow as tf
import tensorflow.keras.backend as K
keras = tf.keras

class HistoricalAvgLoss(object):
  def __init__(self, model):
    # create tensors (initialized to zero) to hold the previous value of the
    # weights
    self.prev_weights = []
    for w in model.get_weights():
      self.prev_weights.append(K.variable(np.zeros(w.shape)))

  def loss(self, y_true, y_pred):
    err = keras.losses.mean_squared_error(y_true, y_pred)
    werr = [K.mean(K.abs(c - p)) for c, p in zip(model.get_weights(), self.prev_weights)]
    self.prev_weights = K.in_train_phase(
        [K.update(p, c) for c, p in zip(model.get_weights(), self.prev_weights)],
        self.prev_weights
    )
    return K.in_train_phase(err + K.sum(werr), err)

变量prev_weights保存先前的值。请注意，我们在计算权重误差后添加了 K.update 操作。

用于测试的示例模型:

model = keras.models.Sequential([
    keras.layers.Input(shape=(4,)),
    keras.layers.Dense(8),
    keras.layers.Dense(4),
    keras.layers.Dense(1),
])

loss_obj = HistoricalAvgLoss(model)

model.compile('adam', loss_obj.loss)
model.summary()

一些测试数据和目标函数:

import numpy as np

def test_fn(x):
  return x[0]*x[1] + 2.0 * x[1]**2 + x[2]/x[3] + 3.0 * x[3]

X = np.random.rand(1000, 4)
y = np.apply_along_axis(test_fn, 1, X)

hist = model.fit(X, y, validation_split=0.25, epochs=10)

在我的测试中，模型损失随着时间的推移而减少。