Keras自定义损失函数:二元张量按匹配规则计算对应值的实现方案
Keras自定义ROI损失函数实现方案
报错原因
tf.argmax属于离散取值操作,本身没有梯度传递能力,会直接切断反向传播的计算链路- Python原生for循环遍历张量、
tf.Variable搭配assign赋值的操作不属于TensorFlow可导图操作,无法生成梯度 - 你给出的数值是收益值,而Keras默认执行损失最小化逻辑,训练时需要对收益取负作为损失,否则模型会反向优化
可导版本实现(训练用)
这个版本基于预测概率加权计算收益,全程为可导的张量运算,不会出现梯度缺失问题,适合训练阶段使用:
import tensorflow as tf def roi_loss_fn(y_true, y_pred): # 将二分类logits转换为预测为1的概率,对齐y_true形状 y_pred_prob = tf.nn.softmax(y_pred, axis=1)[:, 1] y_pred_prob = tf.reshape(y_pred_prob, tf.shape(y_true)) y_true = tf.cast(y_true, tf.float32) # 按规则加权计算收益 reward = (1 - y_true) * y_pred_prob * (-0.7) + \ y_true * y_pred_prob * 2.5 + \ (1 - y_true) * (1 - y_pred_prob) * 0.025 + \ y_true * (1 - y_pred_prob) * (-0.1) # 收益转损失:最小化负收益等价于最大化收益 return -tf.reduce_mean(reward)
硬标签版本实现(评估用)
如果需要得到和你示例完全一致的离散输出,可使用如下实现,仅推荐评估阶段使用(不建议训练用,会存在梯度问题):
import tensorflow as tf def roi_loss_eval_fn(y_true, y_pred): # 取预测类别,对齐形状 y_pred_cls = tf.cast(tf.argmax(y_pred, axis=1), dtype=y_true.dtype) y_pred_cls = tf.reshape(y_pred_cls, tf.shape(y_true)) # 构建四类场景的掩码 mask_0_1 = tf.logical_and(tf.equal(y_true, 0), tf.equal(y_pred_cls, 1)) mask_1_1 = tf.logical_and(tf.equal(y_true, 1), tf.equal(y_pred_cls, 1)) mask_0_0 = tf.logical_and(tf.equal(y_true, 0), tf.equal(y_pred_cls, 0)) mask_1_0 = tf.logical_and(tf.equal(y_true, 1), tf.equal(y_pred_cls, 0)) # 按掩码赋值 loss = tf.zeros_like(y_true, dtype=tf.float32) loss = tf.where(mask_0_1, -0.7, loss) loss = tf.where(mask_1_1, 2.5, loss) loss = tf.where(mask_0_0, 0.025, loss) loss = tf.where(mask_1_0, -0.1, loss) return loss
内容的提问来源于stack exchange,提问作者Jameson
相关产品推荐
相关产品推荐

