自定义损失函数中的张量索引-Java 学习之路

基本上，我希望我的自定义丢失函数在通常的MSE和从不同索引中减去值的自定义MSE之间交替 .

为了澄清，假设我有一个[1,2,4,5]的y_pred张量和一个[2,5,1,3]的y_true张量 . 在通常的MSE中，我们应该得到：

return K.mean(K.squared(y_pred - y_true))

这将做到以下几点：

[1,2,4,5] - [2,5,1,3] = [-1，-3,3,2]

[-1，-3,3,2]²= [1,9,9,4]

平均值（[1,9,9,4]）= 5.75

我需要我的自定义损失函数来选择此均值和其他从y_pred张量切换索引1和3的最小值，即：

[1,5,4,2] - [2,5,1,3] = [-1,0,3,1]

[-1,0,3,1]²= [1,0,9,1]

平均值（[1,0,9,1]）= 2.75

所以，我的自定义损失将返回2.75，这是两种方法之间的最小值 . 为此，我尝试在numpy数组中转换y_true和y_pred张量，执行以下相关的所有数学运算：

def new_mse(y_true, y_pred):
    sess = tf.Session()

    with sess.as_default():
        np_y_true = y_true.eval()
        np_y_pred = y_pred.eval()

        np_err_mse = np.empty(np_y_true.shape)
        np_err_mse = np.square(np_y_pred - np_y_true)

        np_err_new_mse = np.empty(np_y_true.shape)
        l0 = np.square(np_y_pred[:, 2] - np_y_true[:, 0])   
        l1 = np.square(np_y_pred[:, 3] - np_y_true[:, 1])
        l2 = np.square(np_y_pred[:, 0] - np_y_true[:, 2])
        l3 = np.square(np_y_pred[:, 1] - np_y_true[:, 3])   
        l4 = np.square(np_y_pred[:, 4] - np_y_true[:, 4])
        l5 = np.square(np_y_pred[:, 5] - np_y_true[:, 5])
        np_err_new_mse = np.transpose(np.vstack(l0, l1, l2, l3, l4, l5))

        np_err_mse = np.mean(np_err_mse)
        np_err_new_mse = np.mean(np_err_new_mse)

        return np.amin([np_err_mse, np_err_new_mse])

问题是我不能使用y_true和y_pred张量的eval（）方法，不知道为什么 . 最后，我的问题是：

有没有更简单的方法来处理张量和损失函数内的索引？我完全是最佳方法 .
与问题不完全相关，但是当我尝试使用等于（7032,6）的y.shape打印y_true tensor 's shape with K.shape(y_true), I got 527319 Shape_1:0 527320 . That confuses me, since I' m时，这是7032个图像，每个图像有6个标签 . 可能是与损失函数使用的y和y_pred相关的一些误解 .

1 回答

通常你只使用backend functions，你永远不会试图知道张量的实际值 .

from keras.losses import mean_square_error

def new_mse(y_true,y_pred): 

    #swapping elements 1 and 3 - concatenate slices of the original tensor
    swapped = K.concatenate([y_pred[:1],y_pred[3:],y_pred[2:3],y_pred[1:2]])
    #actually, if the tensors are shaped like (batchSize,4), use this:
    #swapped = K.concatenate([y_pred[:,:1],y_pred[:,3:],y_pred[:,2:3],Y_pred[:,1:2])

    #losses
    regularLoss = mean_squared_error(y_true,y_pred)
    swappedLoss = mean_squared_error(y_true,swapped)

    #concat them for taking a min value
    concat = K.concatenate([regularLoss,swappedLoss])

    #take the minimum
    return K.min(concat)

那么，对于你的物品：

你完全正确 . 在张量操作中不惜一切代价避免numpy（损失函数，激活，自定义图层等）
A K.shape() 也是一个张量 . 它可能有形状（2，），因为它有两个值，一个值为7032，另一个值为6.但是当你评估这个张量时，你只能看到这些值 . 在损失函数内执行此操作通常是一个坏主意 .

回复于 2024-05-02T20:13:11+08:00

自定义损失函数中的张量索引

1 回答

相关问题