Python 在keras中实现自定义目标函数

我正在尝试实施我自己的成本函数，具体如下：

现在我知道这个问题在这个网站上被问了好几次，我读到的答案通常如下：

def custom_objective(y_true, y_pred):
....
return L

人们似乎总是使用

y\u true

和

y\u pred

然后说你只需要编译模型

model.compile（loss=custom\u objective）

，然后从那里开始。没有人真正提到代码中的某个地方

y\u true=something

和

y\u pred=something

。这是我必须在模型中指定的吗

我的代码 不确定我是否正确使用了

.predict（）

从正在训练的模型中获取运行预测：

params = {'lr': 0.0001,
 'batch_size': 30,
 'epochs': 400,
 'dropout': 0.2,
 'optimizer': 'adam',
 'losses': 'avg_partial_likelihood',
 'activation':'relu',
 'last_activation': 'linear'}

def model(x_train, y_train, x_val, y_val):

    l2_reg = 0.4
    kernel_init ='he_uniform' 
    bias_init ='he_uniform'
    layers=[20, 20, 1]

    model = Sequential()

    # layer 1
    model.add(Dense(layers[0], input_dim=x_train.shape[1],
                    W_regularizer=l2(l2_reg),
                    kernel_initializer=kernel_init,
                    bias_initializer=bias_init))


    model.add(BatchNormalization(axis=-1, momentum=momentum, center=True))

    model.add(Activation(params['activation']))

    model.add(Dropout(params['dropout']))

    # layer 2+    
    for layer in range(0, len(layers)-1):

        model.add(Dense(layers[layer+1], W_regularizer=l2(l2_reg),
                        kernel_initializer=kernel_init,
                        bias_initializer=bias_init))


        model.add(BatchNormalization(axis=-1, momentum=momentum, center=True))

        model.add(Activation(params['activation']))

        model.add(Dropout(params['dropout']))

    # Last layer
    model.add(Dense(layers[-1], activation=params['last_activation'],
                    kernel_initializer=kernel_init,
                    bias_initializer=bias_init))

    model.compile(loss=params['losses'],
                  optimizer=keras.optimizers.adam(lr=params['lr']),
                  metrics=['accuracy'])

    history = model.fit(x_train, y_train, 
                        validation_data=[x_val, y_val],
                        batch_size=params['batch_size'],
                        epochs=params['epochs'],
                        verbose=1)

    y_pred = model.predict(x_train, batch_size=params['batch_size'])

    history_dict = history.history

    model_output = {'model':model, 
                    'history_dict':history_dict,
                    'log_risk':y_pred}

    return model_output

然后创建模型：

model(x_train, y_train, x_val, y_val)

迄今为止我的目标函数 “日志风险”将是

y\u true

，而

x\u train

将用于计算

y\u pred

：

def avg_partial_likelihood(x_train, log_risk):



    from lifelines import CoxPHFitter

    cph = CoxPHFitter()

    cph.fit(x_train, duration_col='survival_fu_combine', event_col='death',
           show_progress=False)

    # obtain exp(hx)

    cph_output = pd.DataFrame(cph.summary).T

    # summing hazard ratio

    hazard_ratio_sum = cph_output.iloc[1,].sum()

    # -log(sum(exp(hxj)))

    neg_log_sum = -np.log(hazard_ratio_sum)

    # sum of positive events (death==1)

    sum_noncensored_events = (x_train.death==1).sum()

    # neg_likelihood

    neg_likelihood = -(log_risk + neg_log_sum)/sum_noncensored_events

    return neg_likelihood

尝试运行时出错

AttributeError回溯（最近一次调用）
在（）
---->1个模型（x_-train，y_-train，x_-val，y_-val）
模型中（x_-train，y_-train，x_-val，y_-val）
45模型编译（损失=平均部分可能性，
46 optimizer=keras.optimizers.adam（lr=params['lr']），
--->47个指标=[‘准确度’]）
48
49历史=模型拟合（x_系列、y_系列、，
编译中的~\Anaconda3\lib\site packages\keras\engine\training.py（self、优化器、损耗、度量、损耗权重、样本权重模式、加权度量、目标张量、**kwargs）
331带有K.name_作用域（self.output_names[i]+''u loss'）：
332输出损耗=加权损耗，
-->333样品（重量，面罩）
334如果透镜（自输出）>1：
335自度量张量追加（输出损失）
~\Anaconda3\lib\site packages\keras\engine\training\u utils.py加权（y\u true，y\u pred，weights，mask）
401         """
402#分数_数组的ndim>=2
-->403分数数组=fn（y_真，y_pred）
404如果掩码不是无：
405#将遮罩投射到floatX上，以避免float64向上投射
平均部分可能性（x列、对数风险）
27
28 cph.fit（x列、持续时间、生存时间、死亡时间），
--->29显示（进度=错误）
30
31#获得经验（hx）
~\Anaconda3\lib\site packages\lifelines\fitters\coxph\u fitter.py in fit（self、df、duration\u col、event\u col、show\u progress、initial\u beta、strata、step\u size、weights\u col）
90         """
91
--->92 df=df.copy（）
93
94#按时分拣
AttributeError:“Tensor”对象没有属性“copy”

没有人真正提到代码中的某个地方

y\u true=something

和

y\u pred=something

---

他们没有提到这一点，因为您不需要这样做！实际上，在每个过程结束时（即在一个批上向前传播），Keras使用模型的真实标签和预测为该过程提供

y_-true

和

y_-pred

。因此，您根本不需要在您的模型中定义

y_-true

和

y_-pred

。只需使用后端函数定义损失函数（即，将Keras导入后端的

定义为K

）而且一切都会很好地工作（并且永远不要在丢失函数中使用numpy）。要想了解更多信息，请查看in-Keras，看看它们是如何实现的。这是一个可用后端函数的列表（可能不完整）。

非常感谢！

  AttributeError                            Traceback (most recent call last)
<ipython-input-26-cf0236299ad5> in <module>()
----> 1 model(x_train, y_train, x_val, y_val)

<ipython-input-25-d0f9409c831a> in model(x_train, y_train, x_val, y_val)
     45     model.compile(loss=avg_partial_likelihood,
     46                   optimizer=keras.optimizers.adam(lr=params['lr']),
---> 47                   metrics=['accuracy'])
     48 
     49     history = model.fit(x_train, y_train, 

~\Anaconda3\lib\site-packages\keras\engine\training.py in compile(self, optimizer, loss, metrics, loss_weights, sample_weight_mode, weighted_metrics, target_tensors, **kwargs)
    331                 with K.name_scope(self.output_names[i] + '_loss'):
    332                     output_loss = weighted_loss(y_true, y_pred,
--> 333                                                 sample_weight, mask)
    334                 if len(self.outputs) > 1:
    335                     self.metrics_tensors.append(output_loss)

~\Anaconda3\lib\site-packages\keras\engine\training_utils.py in weighted(y_true, y_pred, weights, mask)
    401         """
    402         # score_array has ndim >= 2
--> 403         score_array = fn(y_true, y_pred)
    404         if mask is not None:
    405             # Cast the mask to floatX to avoid float64 upcasting in Theano

<ipython-input-23-ed57799a1f9d> in avg_partial_likelihood(x_train, log_risk)
     27 
     28     cph.fit(x_train, duration_col='survival_fu_combine', event_col='death',
---> 29            show_progress=False)
     30 
     31     # obtain exp(hx)

~\Anaconda3\lib\site-packages\lifelines\fitters\coxph_fitter.py in fit(self, df, duration_col, event_col, show_progress, initial_beta, strata, step_size, weights_col)
     90         """
     91 
---> 92         df = df.copy()
     93 
     94         # Sort on time

AttributeError: 'Tensor' object has no attribute 'copy'