如何使用Tensorflow.在哪里和在哪里一样?

Question

我正在尝试制作一个计算MSE的自定义损失函数，但忽略所有事实低于某些阈值(接近0)的点。我可以通过以下方式使用numpy数组实现这一点。

import numpy as np
a = np.random.normal(size=(4,4))
b = np.random.normal(size=(4,4))
temp_a = a[np.where(a>0.5)] # Your threshold condition
temp_b = b[np.where(a>0.5)]
mse = mean_squared_error(temp_a, temp_b)

但是我不知道如何用keras后端做到这一点。我的自定义损失函数不起作用，因为numpy不能在张量上操作。

def customMSE(y_true, y_pred):
'''
Correct predictions of 0 do not affect performance.
'''
y_true_ = y_true[tf.where(y_true>0.1)] # Your threshold condition
y_pred_ = y_pred[tf.where(y_true>0.1)]
mse = K.mean(K.square(y_pred_ - y_true_), axis=1)
return mse

但是当我这样做时，我返回错误

ValueError: Shape must be rank 1 but is rank 3 for '{{node customMSE/strided_slice}} = StridedSlice[Index=DT_INT64, T=DT_FLOAT, begin_mask=0, ellipsis_mask=0, end_mask=0, new_axis_mask=0, shrink_axis_mask=1](cond_2/Identity_1, customMSE/strided_slice/stack, customMSE/strided_slice/stack_1, customMSE/strided_slice/Cast)' with input shapes: [?,?,?,?], [1,?,4], [1,?,4], [1].```

Answer 1

可以用tf.where代替np.where作为损失函数

如果你想让相应的真值低于阈值的预测损失，你可以这样写自定义函数:

def my_loss_threshold(threshold):
def my_loss(y_true,y_pred):
# keep predictions pixels where their corresponding y_true is above a threshold
y_pred = tf.gather_nd(y_pred, tf.where(y_true>=threshold))
# keep image pixels where they're above a threshold
y_true = tf.gather_nd(y_true, tf.where(y_true>=threshold))
# compute MSE between filtered pixels
loss = tf.square(y_true-y_pred)
# return mean of losses
return tf.reduce_mean(loss)
return my_loss 
model.compile(loss=my_loss_threshold(threshold=0.1), optimizer="adam")

我将损失函数包装到另一个函数中，因此您可以将threshold作为超参数传递给model compile。