如何将权重传递给keras中的均方误差
我试图解决一个回归问题,这是一个多标签问题,有8个标签,我使用均方误差损失,但数据集不平衡,我想把权重传递给损失函数。目前我正在以这种方式编译模型如何将权重传递给keras中的均方误差,keras,Keras,我试图解决一个回归问题,这是一个多标签问题,有8个标签,我使用均方误差损失,但数据集不平衡,我想把权重传递给损失函数。目前我正在以这种方式编译模型 model.compile(loss='mse', optimizer=Adam(lr=0.0001), metrics=['mse', 'acc']) 是否有人可以建议是否可以将权重添加到均方误差中,如果可以,我该怎么做 提前谢谢 标签看起来是这样的 # 首先创建一个字典,说明您希望为每个类增加多少权重,例如: class_weights =
model.compile(loss='mse', optimizer=Adam(lr=0.0001), metrics=['mse', 'acc'])
是否有人可以建议是否可以将权重添加到均方误差中,如果可以,我该怎么做
提前谢谢
标签看起来是这样的
#
首先创建一个字典,说明您希望为每个类增加多少权重,例如:
class_weights = {0: 1,
1: 1,
2: 1,
3: 9,
4: 1...} # Do this for all eight classes
然后将其传递到model.fit:
model.fit(X, y, class_weight=class_weights)
下面是一个基于您的问题陈述的自定义损失函数的小实现
- 您可以从中找到有关keras损失函数的更多信息,也可以从中查看其官方文档
- Keras本身不处理低级操作,如张量积、卷积等。相反,它依赖于一个专门的、优化良好的张量操纵库来实现这一点,充当Keras的“后端引擎”。更多信息可以在这里找到,也可以从
- 使用K.int_shape(张量_名称)查找
K.init_形状(tensor_name)
获取张量的形状,并在需要时对形状进行必要的修改。嘿,ValueError:无法编译模型,因为它没有优化损失。有什么想法吗?我只有0和1作为类在这种情况下,你只需要类的权重={0:,1:}。不需要到处去实现自定义的损失和添加20行到您的代码哈哈
model.fit(X, y, class_weight=class_weights)
import keras
from keras.models import Sequential
from keras.layers import Conv2D, Flatten, Dense, Conv1D, LSTM, TimeDistributed
import keras.backend as K
# custom loss function
def custom_mse(class_weights):
def loss_fixed(y_true, y_pred):
"""
:param y_true: A tensor of the same shape as `y_pred`
:param y_pred: A tensor resulting from a sigmoid
:return: Output tensor.
"""
# print('y_pred:', K.int_shape(y_pred))
# print('y_true:', K.int_shape(y_true))
y_pred = K.reshape(y_pred, (8, 1))
y_pred = K.dot(class_weights, y_pred)
# calculating mean squared error
mse = K.mean(K.square(y_pred - y_true), axis=-1)
# print('mse:', K.int_shape(mse))
return mse
model = Sequential()
model.add(Conv1D(8, (1), input_shape=(28, 28)))
model.add(Flatten())
model.add(Dense(8))
# custom class weights
class_weights = K.variable([[0.25, 1., 2., 3., 2., 0.6, 0.5, 0.15]])
# print('class_weights:', K.int_shape(class_weights))
model.compile(optimizer='adam', loss=custom_mse(class_weights), metrics=['accuracy'])