使用o函数在keras中自定义损失函数

Question

我想使用我自己的二进制交叉熵，而不是使用Keras库附带的那个。这是我的自定义功能：

    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)

注：这是练习用的。我知道T.nnet.binary_交叉熵（y_pred，y_true）

但是，当我编译模型时：

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

我得到这个错误：

---------------------------------------------------------------------------TypeError Traceback（最近的调用最后）在（）3637 sgd=sgd（lr=0.001）--->38模型.编译（loss=custom_objective，优化器=sgd）39#==============================================

C： \Program Files（x86）\Anaconda3\lib\site packages\keras\models.pycompile（self、优化器、loss、class_mode）418其他：419掩码=无-->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加权（y_true，y_pred，权重，掩码）80英寸81#score_array的ndim>=2--->82 score_array=fn（y_true，y_pred）83如果掩码不是"无"：84#掩码应具有与score_array 相同的形状

在custom_objective（y_true，y_pred）中11秒_log=K.log（1-K.clip（y_true，K.epsilon（），np.inf））12 second_log=elementwise_multiply（second_log，（1-y_true））--->13结果=第二日志+第一日志14#结果=np.multy（结果，y_pred）15返回K.mean（结果，轴=-1）

TypeError：+："Function"和的操作数类型不受支持"功能"

当我用内联函数替换elementwise_multiply时：

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)

模型编译，但损失值nan:

Epoch 1/1945/945〔=========================〕-62s-损失：nan-acc:0.0011-val_loss:nan-val_acc:0.0000e+00

有人能帮我做这个吗？！

感谢

Answer 1

我发现了问题。我不得不将返回值乘以"-1"，因为我使用随机梯度递减（sgd）作为优化器，而不是随机梯度上升！

这是代码，它就像一个魅力：

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))