keras 中的自定义二进制交叉熵损失，忽略没有非零值的列

Question

我正在尝试对标签可能非常稀疏的数据进行分段。因此，我只想计算至少有一个非零值的列中的梯度。

我已经尝试了一些方法，其中我应用了一个额外的输入，该输入是这些非零列的掩码，但鉴于所有必要的信息都已经包含在y_true中，一种只查看y_true来查找掩码的方法肯定是可取的。

如果我使用 numpy 实现它，它可能看起来像这样：

def loss(y_true, y_pred):
indices = np.where(np.sum(y_true, axis=1) > 0)
return binary_crossentropy(y_true[indices], y_pred[indices])

在此示例中，y_true和y_pred是矢量化 2D 图像。

这如何"翻译"为可微的Keras损失函数？

Answer 1

通过tf和keras.backend使用兼容tf的操作：

import tensorflow as tf
import keras.backend as K
from keras.losses import binary_crossentropy
def custom_loss(y_true, y_pred):
indices = K.squeeze(tf.where(K.sum(y_true, axis=1) > 0))
y_true_sparse = K.cast(K.gather(y_true, indices), dtype='float32')
y_pred_sparse = K.cast(K.gather(y_pred, indices), dtype='float32')
return binary_crossentropy(y_true_sparse, y_pred_sparse) # returns a tensor

我不确定您问题的确切维度规格，但损失必须评估为单个值 - 上面没有，因为您正在传递多维预测和标签。要减少暗淡，请将上面的回程包裹起来，例如K.mean.例：

y_true = np.random.randint(0,2,(10,2))
y_pred = np.abs(np.random.randn(10,2))
y_pred /= np.max(y_pred) # scale between 0 and 1
print(K.get_value(custom_loss(y_true, y_pred))) # get_value evaluates returned tensor
print(K.get_value(K.mean(custom_loss(y_true, y_pred))
>> [1.1489482  1.2705883  0.76229745  5.101402  3.1309896] # sparse; 5 / 10 results
>> 2.28284 # single value, as required

(最后，请注意，这种稀疏性将通过从总标签/pred 计数中排除全零列来偏向损失;如果不需要，您可以通过K.sum和K.shape或K.size进行平均(