如何将基于示例的参数添加到自定义keras损失函数中

Question

我想在keras中有一个自定义的损失函数，它的参数对于每个训练示例都不同。

from keras import backend as K
def my_mse_loss_b(b):
def mseb(y_true, y_pred):
return K.mean(K.square(y_pred - y_true)) + b
return mseb

我在这里读到y_true和y_pred总是传递给loss函数，所以您需要创建包装器函数。

model.compile(loss=my_mse_loss_b(df.iloc[:,2]), optimizer='adam', metrics=['accuracy'])

问题是，当我拟合模型时，会出现一个错误，因为函数假设传递的参数与批次一样长。另一方面，我希望每个例子都有自己的参数。

tensorflow.python.framework.errors_impl.InvalidArgumentError:  Incompatible shapes: [20] vs. [10000]
[[node gradients/loss_2/dense_3_loss/mseb/weighted_loss/mul_grad/BroadcastGradientArgs (defined at C:Usersflis1Miniconda3envsAutomatelibsite-packagestensorflow_corepythonframeworkops.py:1751) ]] [Op:__inference_keras_scratch_graph_1129]
Function call stack:
keras_scratch_graph

上面写着不兼容的形状。20是批量大小，10000是我的训练数据集的大小和所有参数的大小。

如果我添加的参数是批次的大小，我可以拟合模型，但正如我所说，我希望参数以示例为基础传递。

Answer 1

在您的情况下，由于参数b与其训练示例紧密耦合，因此将其作为基本事实的一部分是有意义的。你可以重写你的损失函数如下：

def mseb(y_true, y_pred):
y_t, b = y_true[0], y_true[1]
return K.mean(K.square(y_pred - y_t)) + b

然后用训练你的模型

model.compile(loss=mseb)
b = df.iloc[:,2]
model.fit(X,(y,b))