keras 自定義loss層+接受輸入實例

loss函數如何接受輸入值

keras封裝的比較厲害，官網給的例子寫的雲裡霧裡，

在stackoverflow找到了答案

You can wrap the loss function as a inner function and pass your input tensor to it (as commonly done when passing additional arguments to the loss function).

  def custom_loss_wrapper(input_tensor):   def custom_loss(y_true, y_pred):    return K.binary_crossentropy(y_true, y_pred) + K.mean(input_tensor)   return custom_loss

  input_tensor = Input(shape=(10,))  hidden = Dense(100, activation='relu')(input_tensor)  out = Dense(1, activation='sigmoid')(hidden)  model = Model(input_tensor, out)  model.compile(loss=custom_loss_wrapper(input_tensor), optimizer='adam')

You can verify that input_tensor and the loss value will change as different X is passed to the model.

  X = np.random.rand(1000, 10)  y = np.random.randint(2, size=1000)  model.test_on_batch(X, y) # => 1.1974642  X *= 1000  model.test_on_batch(X, y) # => 511.15466

fit_generator

fit_generator ultimately calls train_on_batch which allows for x to be a dictionary.

Also, it could be a list, in which casex is expected to map 1:1 to the inputs defined in Model(input=[in1, …], …)

  ### generator  yield [inputX_1,inputX_2],y  ### model  model = Model(inputs=[inputX_1,inputX_2],outputs=...)

補充知識：keras中自定義 loss損失函數和修改不同樣本的loss權重(樣本權重、類別權重)

首先辨析一下概念：

1. loss是整體網絡進行優化的目標， 是需要參與到優化運算，更新權值W的過程的

2. metric只是作為評價網絡表現的一種“指標”， 比如accuracy，是為了直觀地瞭解算法的效果，充當view的作用，並不參與到優化過程

一、keras自定義損失函數

在keras中實現自定義loss， 可以有兩種方式，一種自定義 loss function, 例如：

  # 方式一  def vae_loss(x, x_decoded_mean):   xent_loss = objectives.binary_crossentropy(x, x_decoded_mean)   kl_loss = - 0.5 * K.mean(1 + z_log_sigma - K.square(z_mean) - K.exp(z_log_sigma), axis=-1)   return xent_loss + kl_loss     vae.compile(optimizer='rmsprop', loss=vae_loss)

或者通過自定義一個keras的層（layer）來達到目的， 作為model的最後一層，最後令model.compile中的loss=None：

  # 方式二  # Custom loss layer  class CustomVariationalLayer(Layer):      def __init__(self, **kwargs):    self.is_placeholder = True    super(CustomVariationalLayer, self).__init__(**kwargs)   def vae_loss(self, x, x_decoded_mean_squash):       x = K.flatten(x)    x_decoded_mean_squash = K.flatten(x_decoded_mean_squash)    xent_loss = img_rows * img_cols * metrics.binary_crossentropy(x, x_decoded_mean_squash)    kl_loss = - 0.5 * K.mean(1 + z_log_var - K.square(z_mean) - K.exp(z_log_var), axis=-1)    return K.mean(xent_loss + kl_loss)      def call(self, inputs):       x = inputs[0]    x_decoded_mean_squash = inputs[1]    loss = self.vae_loss(x, x_decoded_mean_squash)    self.add_loss(loss, inputs=inputs)    # We don't use this output.    return x     y = CustomVariationalLayer()([x, x_decoded_mean_squash])  vae = Model(x, y)  vae.compile(optimizer='rmsprop', loss=None)

在keras中自定義metric非常簡單，需要用y_pred和y_true作為自定義metric函數的輸入參數 點擊查看metric的設置

注意事項：

1. keras中定義loss，返回的是batch_size長度的tensor， 而不是像tensorflow中那樣是一個scalar

2. 為了能夠將自定義的loss保存到model， 以及可以之後能夠順利load model， 需要把自定義的loss拷貝到keras.losses.py 源代碼文件下，否則運行時找不到相關信息，keras會報錯

有時需要不同的sample的loss施加不同的權重，這時需要用到sample_weight，例如

discriminator.train_on_batch(imgs, [valid, labels], class_weight=class_weights)

二、keras中的樣本權重

  # Import  import numpy as np  from sklearn.utils import class_weight     # Example model  model = Sequential()  model.add(Dense(32, activation='relu', input_dim=100))  model.add(Dense(1, activation='sigmoid'))     # Use binary crossentropy loss  model.compile(optimizer='rmsprop',      loss='binary_crossentropy',      metrics=['accuracy'])     # Calculate the weights for each class so that we can balance the data  weights = class_weight.compute_class_weight('balanced',             np.unique(y_train),             y_train)     # Add the class weights to the training             model.fit(x_train, y_train, epochs=10, batch_size=32, class_weight=weights)

Note that the output of the class_weight.compute_class_weight() is an numpy array like this: [2.57569845 0.68250928].