二进制编码（非一个热编码）分类数据的Keras自定义丢失函数

我需要帮助为Keras编写自定义损失/度量函数。我的分类是二进制编码的（不是一个热门的）。我想在实际类和预测类之间做一个逐位比较

比如说,， 实际标签：0x1111111 预测标签：0x1011101111

预测标签有8个10位正确，因此此匹配的精度应为0.8而不是0.0。我不知道我是如何支持Keras命令的

编辑1： 目前我正在使用类似的东西，但它还不起作用：

def custom_binary_error(y_true, y_pred, n=11):
    diff_dec = K.tf.bitwise.bitwise_xor(K.tf.cast(y_true, K.tf.int32), K.tf.cast(y_pred, K.tf.int32))
    diff_bin = K.tf.mod(K.tf.bitwise.right_shift(K.tf.expand_dims(diff_dec,1), K.tf.range(n)), 2)
    diff_sum = K.tf.math.reduce_sum(diff_bin, 1)
    diff_percent = K.tf.math.divide(diff_sum, 11)
    return K.tf.math.reduce_mean(diff_percent, 0)

我得到这个错误：

ValueError: Dimensions must be equal, but are 2048 and 11 for 'loss/activation_1_loss/RightShift' (op: 'RightShift') with input shapes: [?,1,2048], [11].

---

我试着做一些事情，假设

y\u true，y\u pred

是正整数

def custom_binary_error(y_true, y_pred):
    width = y_true.bit_length() if y_true.bit_length() > y_pred.bit_length() else y_pred.bit_length()       # finds the greater width of bit sequence, not sure if needed
    diff = np.bitwise_xor(y_true, y_pred)       # 1 when different, 0 when same
    error = np.binary_repr(diff, width=width).count('1')/width       # calculate % of '1's
    return K.variable(error)

---

使用

1-error

以确保准确性。我没有测试过它；这只是给你一个想法。

以下是定义错误的方法：

将tensorflow导入为tf
def自定义二进制错误（y_真，y_pred）：
y_-true=tf.cast（y_-true，tf.bool）
y_pred=tf.cast（y_pred，tf.bool）
xored=tf.logical\u xor（y\u true，y\u pred）
notxored=tf.logical\u not（xored）
sum\u xored=tf.reduce\u sum（tf.cast（xored，tf.float32））
sum\u notxored=tf.reduce\u sum（tf.cast（notxored，tf.float32））
返回和/（和+和）

使用2个尺寸为6的标签进行测试：

将tensorflow导入为tf
y_系列尺寸=6
y_train=[[1,1,1,1,1]，[0,0,0,0,0]]
y_pred=tf。将_转换为_张量（[[1,1,1,0,0]，[0,0,0,1,0]]））
y=tf.placeholder（tf.int32，shape=（无，y\u train\u size））
错误=自定义二进制错误（y，y）
使用tf.Session（）作为sess：
res=sess.run（错误，feed_dict={y:y_train}）
打印（分辨率）#0.25

在

Keras

中使用它：

将tensorflow导入为tf
将numpy作为np导入
y_系列尺寸=6
def自定义二进制错误（y_真，y_pred）：
y_-true=tf.cast（y_-true，tf.bool）
y_pred=tf.cast（y_pred，tf.bool）
xored=tf.logical\u xor（y\u true，y\u pred）
notxored=tf.logical\u not（xored）
sum\u xored=tf.reduce\u sum（tf.cast（xored，tf.float32））
sum\u notxored=tf.reduce\u sum（tf.cast（notxored，tf.float32））
返回和/（和+和）
model=tf.keras.models.Sequential（）
模型.添加（tf.keras.layers.Dense（y_系列尺寸））
compile（optimizer=tf.keras.optimizers.SGD（0.01），
损失=[tf.keras.loss.MeanAbsoluteError（）]，
度量=[自定义\u二进制\u错误]）
y_train=np.数组（[[1,1,1,1,1,1]，[0,0,0,0,0]]
x_序列=np.随机.正常（大小=（2,2））
模型拟合（x_序列，y_序列，历元=2）

将导致：

Epoch 1/2
2/2 [==============================] - 0s 23ms/sample - loss: 1.4097 - custom_binary_error: 0.5000
Epoch 2/2
2/2 [==============================] - 0s 328us/sample - loss: 1.4017 - custom_binary_error: 0.5000

注意

如果希望准确而不是错误，则

自定义二进制错误（）

函数应返回

sum\u notxored/（sum\u xored+sum\u notxored）

您的预测结果如何？它是一个整数值还是别的什么？对我来说，这是一种奇怪的编码方式！请问您为什么选择将模型设计为输出实数（稍后需要转换为整数）的方式？相反，您可以将其建模为一个多标签分类任务，其中sigmoid层作为最后一层。因此，我的最后一层将是一个密集层，其节点数量与我的类编码中的位数量相同，并通过sigmoid激活将输出映射到0-1。那么，我的损失/准确度度量是什么呢？这似乎是相关的：@RyanHope，没错。你需要使用

binary\u crossentropy

作为损失，使用

accurity

作为度量（它会自动切换到

binary\u accurity

）。是的，y\u true和t\u pred都是正整数，我会试一试，让我知道。这个想法在Python中有效。没有登记入住凯拉斯。希望我没有错过任何Keras特有的东西。如果我没有在Keras工作，我应该更具体地了解你的真实情况，而你之前。。。它们都是Keras张量（但一旦计算它们就应该是整数）。Tensorflow有一个按位异或，如果有办法解压位，然后求和，我可以除以最大位得到百分比是的，我预料会出现这样的问题。必须检查TF是否提供任何类似的功能。