如何在Keras中实现自定义加权MSE损失函数

Question

我想为自动编码器使用自定义MSE。我有自动编码器的输入(X(和输出(Y(图像，它们实际上是相同的图像。现在在MSE的计算过程中，我们计算真实输出(Y=X(和预测输出图像(Y'(之间的MSE。

比方说，对于每个图像X，我都有一个派生图像X’，它是该图像的权重矩阵。"X"的大小与X或Y相同。它包含0到1之间的值。因此，在计算MSE的过程中，我想使用X(也是Y和预期的重建输出(、X'和预测的output Y'。

如果有人能给我一个如何在喀拉拉邦实施的想法，我将非常感激。

Answer 1

你可以制作这样的损失层

class LossLayer(Layer):
def __init__(self,  **kwargs):
super(LossLayer, self).__init__(**kwargs)
def build(self, input_shape):
super(LossLayer, self).build(input_shape)  # Be sure to call this somewhere!
def call(self, x):
input_image, weighted_image, predicted = x
loss = weightedmse(input_image, weighted_image, predicted)
return loss
def dummy_loss(y_true, y_pred):
return tf.sqrt(tf.reduce_sum(y_pred))

在构建模型时这样使用它。

input_image = Input(...)
weighted_image = Input(...)
x = Conv2D(...)(input_image)
.
.
loss_layer = LossLayer()([input_image, weighted_image, x])  # x here is the last Conv layer

您的数据生成器必须在__getitem___中返回类似的内容

[input_img, weighted], np.zeros((batch_size, 1))

编辑

在修改了上面的张量之后，创建了两个像这样的模型

train_model = Model([input_image, weighted_image], loss_layer)
pridict_model = Model([input_image, weighted_image], x)
train_model.compile(optimizer='sgd', loss=dummy_loss)