angepasste Verlustfunktion in Keras mit derano-Funktion

Question

Ich möchte meine eigene binary_crossentropy anstelle der Verwendung der Keras-Bibliothek verwenden. Hier ist meine eigene Funktion:

import theano 
    from keras import backend as K 

    def elementwise_multiply(a, b): # a and b are tensors 
     c = a * b 
     return theano.function([a, b], c) 

    def custom_objective(y_true, y_pred): 
     first_log = K.log(y_pred) 
     first_log = elementwise_multiply(first_log, y_true) 
     second_log = K.log(1 - y_pred) 
     second_log = elementwise_multiply(second_log, (1 - y_true)) 
     result = second_log + first_log 
     return K.mean(result, axis=-1) 

note: This is for practice. I'm aware of T.nnet.binary_crossentropy(y_pred, y_true)

Aber, wenn ich das Modell kompilieren:

sgd = SGD(lr=0.001) 
model.compile(loss = custom_objective, optimizer = sgd) 

ich diesen Fehler:

--------------------------------------------------------------------------- TypeError Traceback (most recent call last) in() 36 37 sgd = SGD(lr=0.001) ---> 38 model.compile(loss = custom_objective, optimizer = sgd) 39 # ==============================================

C:\Program Files (x86)\Anaconda3\lib\site-packages\keras\models.py in compile(self, optimizer, loss, class_mode) 418 else: 419 mask = None --> 420 train_loss = weighted_loss(self.y, self.y_train, self.weights, mask) 421 test_loss = weighted_loss(self.y, self.y_test, self.weights, mask) 422

C:\Program Files (x86)\Anaconda3\lib\site-packages\keras\models.py in weighted(y_true, y_pred, weights, mask) 80 ''' 81 # score_array has ndim >= 2 ---> 82 score_array = fn(y_true, y_pred) 83 if mask is not None: 84 # mask should have the same shape as score_array

in custom_objective(y_true, y_pred) 11 second_log = K.log(1 - K.clip(y_true, K.epsilon(), np.inf)) 12 second_log = elementwise_multiply(second_log, (1-y_true)) ---> 13 result = second_log + first_log 14 #result = np.multiply(result, y_pred) 15 return K.mean(result, axis=-1)

TypeError: unsupported operand type(s) for +: 'Function' and 'Function'

wenn ich elementwise_multiply mit Inline-Funktion ersetzen :

def custom_objective(y_true, y_pred): 
    first_log = K.log(y_pred)  
    first_log = first_log * y_true 
    second_log = K.log(1 - y_pred) 
    second_log = second_log * (1-y_true) 
    result = second_log + first_log 
    return K.mean(result, axis=-1) 

das Modell erstellt, aber der Verlustwert ist nan:

Epoch 1/1 945/945 [==============================] - 62s - loss: nan - acc: 0.0011 - val_loss: nan - val_acc: 0.0000e+00

jemand mir bitte dabei helfen könnte ?!

Dank

Answer 1

fand ich das Problem. Ich musste den Rückgabewert mit "-1" multiplizieren, da ich den stochastischen Gradienten decedent (sgd) als Optimierer benutze und nicht den stochastischen Gradientenanstieg!

Hier ist der Code, und es wirkt wie ein Zauber:

import theano 
from keras import backend as K 

def custom_objective(y_true, y_pred): 
    first_log = K.log(y_pred)  
    first_log = first_log * y_true 
    second_log = K.log(1 - y_pred) 
    second_log = second_log * (1 - y_true) 
    result = second_log + first_log 
    return (-1 * K.mean(result))