我正在尝试使用Spearman等级相关系数来编写自定义损失函数。我想计算每对y_true和y_pred样本之间的Spearman等级相关系数（每个样本是8个元素组成的数组；例如[1 2 3 4 5 6 7 8]和[3 2 1 4 5 8 6 7] ）。
我已经遵循了这个答案的指示（如何在Tensorflow中计算Spearman相关性）和Keras文档（https://keras.io/api/losses/），但是对于输出形状，我必须跳过一些内容计算的损失。
使用此自定义功能训练模型会产生以下错误：
model.compile(loss=spearman_correlation, optimizer=tf.keras.optimizers.Adam())
model.fit(train_x, train_y,batch_size=64, epochs=2, validation_data=(test_x, test_y), callbacks=[model_checkpoint])
InvalidArgumentError: In[1] is not a matrix. Instead it has shape []
[[node gradient_tape/model_19/dense_19/MatMul_1 (defined at <ipython-input-46-7e6fc7cd1b39>:12) ]] [Op:__inference_train_function_300522]
我尝试了一种棘手的方法来解决此问题，我使用了一个Keras损失函数的工作示例，并且仅使用损失函数中计算出的值修改了结果。通过这种方式，训练功能可以工作，但是，我认为这不是正确地做事的方式，但是我看不出问题出在哪里。查看自定义函数中的打印输出，可以看到我的损失输出对象的形状和类型与张量流的损失函数输出对象是相同的。
这是我计算损失的方式：
def get_rank(y_pred):
temp = sorted(y_pred, reverse=False)
res = [temp.index(i) for i in y_pred]
res = np.array(res)+1
return(res)
def custom_spearman_correlation(y_true, y_pred):
s_coefs = tf.map_fn(lambda k: 1-stats.spearmanr(k[0], get_rank(k[1]))[0], tf.stack([y_true, y_pred], 1), dtype=tf.float32)
loss = s_coefs
print("CUSTOM LOSS: ")
print("Shape: " + str(loss.shape))
print(type(loss))
print("WORKING LOSS")
squared_difference = tf.square(y_true - y_pred)
w_loss = tf.reduce_mean(squared_difference, axis=-1)
print("Shape: " + str(w_loss.shape))
print(type(w_loss))
print("TRICKY ANSWER: ")
t_loss = w_loss*0 + loss
print("Shape: " + str(t_loss.shape))
print(type(t_loss))
return loss
#return w_loss
#return t_loss
def spearman_correlation(y_true, y_pred):
sp = tf.py_function(custom_spearman_correlation, [tf.cast(y_true, tf.float32), tf.cast(y_pred, tf.float32)], Tout = tf.float32)
return (sp)
这是输出：
CUSTOM LOSS:
Shape: (64,)
<class 'tensorflow.python.framework.ops.EagerTensor'>
WORKING LOSS
Shape: (64,)
<class 'tensorflow.python.framework.ops.EagerTensor'>
TRICKY ANSWER:
Shape: (64,)
尽管我不确定，但我认为上述解决方案无法正确更新模型中不同参数的权重，因此我的模型无法学习。我一直在努力按照本网站（https://rpubs.com/aaronsc32/spearman-rank-correlation）的定义直接在tensorflow中实现Spearman等级相关系数，并且我已经达到以下代码（我分享了它）万一有人发现它有用）。
@tf.function
def get_rank(y_pred):
rank = tf.argsort(tf.argsort(y_pred, axis=-1, direction="ASCENDING"), axis=-1)+1 #+1 to get the rank starting in 1 instead of 0
return rank
@tf.function
def sp_rank(x, y):
cov = tfp.stats.covariance(x, y, sample_axis=0, event_axis=None)
sd_x = tfp.stats.stddev(x, sample_axis=0, keepdims=False, name=None)
sd_y = tfp.stats.stddev(y, sample_axis=0, keepdims=False, name=None)
return 1-cov/(sd_x*sd_y) #1- because we want to minimize loss
@tf.function
def spearman_correlation(y_true, y_pred):
#First we obtain the ranking of the predicted values
y_pred_rank = tf.map_fn(lambda x: get_rank(x), y_pred, dtype=tf.float32)
#Spearman rank correlation between each pair of samples:
#Sample dim: (1, 8)
#Batch of samples dim: (None, 8) None=batch_size=64
#Output dim: (batch_size, ) = (64, )
sp = tf.map_fn(lambda x: sp_rank(x[0],x[1]), (y_true, y_pred_rank), dtype=tf.float32)
#Reduce to a single value
loss = tf.reduce_mean(sp)
return loss
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。
我来说两句