如何通过Tensorflow 2.x中的子类tf.keras.losse.Loss类自定义损耗 [英] How to custom losses by subclass tf.keras.losses.Loss class in Tensorflow2.x

问题描述

当我在TensorFlow的网站上阅读guides时，我发现了两种自定义损失的方法。第一种是定义损失函数，就像：

def basic_loss_function(y_true, y_pred):
    return tf.math.reduce_mean(tf.abs(y_true - y_pred))

为了简单起见，我们假设批大小也是1，因此y_true和y_pred的形状都是(1，c)，其中c是类的数量。因此，在此方法中，我们给出两个向量y_true和y_pred，并返回一个值(Scala)。

然后，第二种方法是子类化tf.keras.losses.Loss类，指南中的代码是：

class WeightedBinaryCrossEntropy(keras.losses.Loss):
    """
    Args:
      pos_weight: Scalar to affect the positive labels of the loss function.
      weight: Scalar to affect the entirety of the loss function.
      from_logits: Whether to compute loss from logits or the probability.
      reduction: Type of tf.keras.losses.Reduction to apply to loss.
      name: Name of the loss function.
    """
    def __init__(self, pos_weight, weight, from_logits=False,
                 reduction=keras.losses.Reduction.AUTO,
                 name='weighted_binary_crossentropy'):
        super().__init__(reduction=reduction, name=name)
        self.pos_weight = pos_weight
        self.weight = weight
        self.from_logits = from_logits

    def call(self, y_true, y_pred):
        ce = tf.losses.binary_crossentropy(
            y_true, y_pred, from_logits=self.from_logits)[:,None]
        ce = self.weight * (ce*(1-y_true) + self.pos_weight*ce*(y_true))
        return ce

在调用方法中，像往常一样，我们给出了两个向量y_true和y_pred，但我注意到它返回的是ce，这是一个形状为(1，c)！

的向量

那么在上面的玩具示例中有什么问题吗？或者Tensorflow 2.x背后有什么神奇的东西？

推荐答案

除了实现之外，两者的主要区别在于损耗函数的类型。第一个是L1损失(根据定义，绝对差异的平均值，主要用于类似回归的问题)，第二个是二元交叉(用于分类)。它们不是意味着相同损失的不同实现，这在您链接的指南中有说明。

多标签、多类别分类设置中的二进制交叉标记会为每个类别输出一个值，就好像它们彼此独立一样。

编辑：

在第二个损失函数中，reduction参数控制聚合输出的方式，例如。默认情况下，您的代码使用keras.losses.Reduction.AUTO，如果您选中the source code，这将转换为对批处理求和。这意味着，最终的损失将是一个矢量，但还有其他可用的减少，您可以在docs中检查它们。我相信，即使您没有定义折减来获取损失向量中损失元素的总和，TF优化器也会这样做，以避免反向传播向量所产生的错误。向量上的反向传播会在权重上造成问题，这些问题会对每个损失元素产生影响。但是，我还没有在源代码中检查这一点。：)

这篇关于如何通过Tensorflow 2.x中的子类tf.keras.losse.Loss类自定义损耗的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！