Keras，Python中的自定义损失函数？

debugcn 发表于 Dev

马文

假设我们有预测的输出向量：

y_pred = [1, 0, 0, 1]

和实际的输出值：

y_true = [0, 1, 0, 0]

我想建立以下差异向量y_pred-y_true：

y_diff = [1, -1, 0, 1]

计算其中的1的数量并将其乘以一个常数。这应该是我的自定义损失函数的结果。目标是更加重视某种错误（在这种情况下，如果预测值为0而真实值为1，我希望损失更大）。

这是我的实现尝试：

def custom_loss_function(y_true, y_pred):
    # if it was 1 and you wrote 0, error is very very big
    y_diff = tf.math.subtract(y_true, y_pred)

    def fn(elem):
        if elem == 1:
            return 10
        elif elem == -1:
            return 1
        else:
            return 0

    return tf.reduce_sum(tf.map_fn(fn, y_diff))

问题在于，我的损失函数将不会是“可微的”。我认为这是我收到错误的原因：

ValueError: An operation has `None` for gradient. Please make sure that all of your ops have a gradient defined (i.e. are differentiable). Common ops without gradient: K.argmax, K.round, K.eval.

关于如何实现自定义损失函数（在当前任务中，根据某些条件会产生更大（或更小）损失）的任何想法？

sohv89

您的问题是矛盾的。您说要，y_pred - y_true但要y_true - y_pred在代码中计算。不过，您可以使用以下内容。

def custom_loss_function(y_true, y_pred):
    # if it was 1 and you wrote 0, error is very very big
    y_diff = y_true - y_pred

    mul_mask = tf.cast(tf.math.equal(y_diff, 1.0), tf.float32)*9.0 + 1
    y_diff = tf.math.sqrt((y_diff * mul_mask)**2)

    return tf.reduce_sum(y_diff)

PS：我希望您有充分的理由使用此自定义损失功能。由于您可以class_weights在进行操作时仅使用参数进行加权model.fit()，因此，如果您只想按类加权，则无需自己实现。

本文收集自互联网，转载请注明来源。

如有侵权，请联系[email protected] 删除。