如何基于y_真值定制keras中的损失函数

我想根据y_真值自定义损失函数。y_true是一个二进制值。对于每个小批量，我希望以不同的方式处理y_true==0和y_true==1。目前，我有：

def custom_loss(y_true, y_pred):
    y_true_f = K.flatten(y_true)
    y_pred_f = K.flatten(y_pred)
    zero = tf.fill(tf.shape(y_true_f), 0.0)
    one = tf.fill(tf.shape(y_true_f), 1.0)
    mask_0 = tf.equal(y_true_f,zero)
    mask_1 = tf.equal(y_true_f,one)
    y_pred_1 = tf.boolean_mask(y_pred_f,mask_1)
    y_pred_0 = tf.boolean_mask(y_pred_f,mask_0)
    y_true_1 = tf.boolean_mask(y_true_f,mask_1)
    y_true_0 = tf.boolean_mask(y_true_f,mask_0)
    loss1 = K.binary_crossentropy(y_true_1,y_pred_1)
    loss0 = K.binary_crossentropy(y_true_0,y_pred_0)
    loss = loss1 +a*loss0 # a is an arbitrary number

---

然而，我有一个错误。我猜这是因为我在训练一个不平衡数据，其中只有少数情况下y_true==1。因此，当这个小批量中没有y_true==1时，就有nan。我想根据遮罩1的形状添加if条件。我该怎么做呢？

您可以使用与交叉熵损失函数相同的技术来实现这一点。这是函数

loss=（（y_真）*（Loss1））+（（1-y_真）*（Loss2））

，因此如果

y_真=0

，第一项将等于零，并导致

loss=（（0）*Loss1）+（1-0）*Loss2）=Loss2

。如果您的

y_true=1

，您的第二个学期将变为零，

loss=（（1）*Loss1）+（（1-1）*Loss2）=Loss1

因此，根据

y_true={0,1}