Machine learning Keras中的无监督损失函数

Keras中是否有任何方法可以指定不需要传递目标数据的损失函数

我试图指定一个丢失函数，它省略了

y\u true

参数，如下所示：

def custom_loss(y_pred):

但我得到了以下错误：

Traceback (most recent call last):
  File "siamese.py", line 234, in <module>
    model.compile(loss=custom_loss,optimizer=Adam(lr=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-08, decay=0.0))
  File "/usr/local/lib/python2.7/dist-packages/keras/engine/training.py", line 911, in compile
    sample_weight, mask)
  File "/usr/local/lib/python2.7/dist-packages/keras/engine/training.py", line 436, in weighted
    score_array = fn(y_true, y_pred)
TypeError: custom_loss() takes exactly 1 argument (2 given)

但似乎不传递任何目标数据会导致错误：

Traceback (most recent call last):
  File "siamese.py", line 264, in <module>
    model.fit(x=[x_train,x_train_warped, affines], batch_size = bs, epochs=1)
  File "/usr/local/lib/python2.7/dist-packages/keras/engine/training.py", line 1435, in fit
    batch_size=batch_size)
  File "/usr/local/lib/python2.7/dist-packages/keras/engine/training.py", line 1322, in _standardize_user_data
    in zip(y, sample_weights, class_weights, self._feed_sample_weight_modes)]
  File "/usr/local/lib/python2.7/dist-packages/keras/engine/training.py", line 577, in _standardize_weights
    return np.ones((y.shape[0],), dtype=K.floatx())
AttributeError: 'NoneType' object has no attribute 'shape'

回溯（最近一次呼叫最后一次）：
文件“siamese.py”，第264行，在
模型拟合（x=[x\u序列，x\u序列扭曲，仿射]，批量大小=bs，历代=1）
文件“/usr/local/lib/python2.7/dist-packages/keras/engine/training.py”，第1435行，适合
批次大小=批次大小）
文件“/usr/local/lib/python2.7/dist-packages/keras/engine/training.py”，第1322行，在用户数据中
在zip模式下（y、样本重量、类别重量、自进料重量、样本重量模式）]
文件“/usr/local/lib/python2.7/dist-packages/keras/engine/training.py”，第577行，in\u-standarized\u-weights
返回np.one（（y.shape[0]，），dtype=K.floatx（）
AttributeError:“非类型”对象没有属性“形状”

---

我可以手动创建与神经网络输出形状相同的虚拟数据，但这看起来非常混乱。有没有一种简单的方法可以在Keras中指定我缺少的无监督损失函数？

编写损失函数，就像它有两个参数一样：

y\u true

y\u pred

如果您没有

y_true

，那很好，您不需要在内部使用它来计算损失，而是在函数原型中留下一个占位符，这样keras就不会抱怨了

def自定义丢失（y_真，y_pred）：
#与你一起做事
回波损耗

---

添加自定义参数

您可能还需要在loss函数中使用另一个参数，如

margin

，即使这样，您的自定义函数也应该只接受这两个参数。但是有一个解决方法，使用lambda函数

def自定义损失（y\u pred，保证金）：
#与你一起做事
回波损耗

但是像这样使用它

model.compile（loss=lambda y_true，y_pred:custom_loss（y_pred，margin），…）

我认为最好的解决方案是定制培训，而不是使用

model.fit

方法

---

完整的演练发布在。

我认为您没有抓住要点，您在无监督的情况下的损失会如何？什么是精确的计算？我试图比较两个不同的神经网络输出的相似性。它们越相似，损失就越小。更具体地说，我试图重新实现本文中描述的神经网络，我认为您应该使用虚拟数据。。。。是的…它很难看，我也不喜欢它。。。但是我看不到解决方案。第二个错误与输入/输出数据有关，您需要使用

numpy.array

。您可以使用

x\u train

作为目标。

Traceback (most recent call last):
  File "siamese.py", line 264, in <module>
    model.fit(x=[x_train,x_train_warped, affines], batch_size = bs, epochs=1)
  File "/usr/local/lib/python2.7/dist-packages/keras/engine/training.py", line 1435, in fit
    batch_size=batch_size)
  File "/usr/local/lib/python2.7/dist-packages/keras/engine/training.py", line 1322, in _standardize_user_data
    in zip(y, sample_weights, class_weights, self._feed_sample_weight_modes)]
  File "/usr/local/lib/python2.7/dist-packages/keras/engine/training.py", line 577, in _standardize_weights
    return np.ones((y.shape[0],), dtype=K.floatx())
AttributeError: 'NoneType' object has no attribute 'shape'