Python KERAS:来自loglikehood的自定义损失函数
我试图实现一个自定义损失函数,如第19页等式3.8所示。我实现了以下目标:Python KERAS:来自loglikehood的自定义损失函数,python,keras,log-likelihood,Python,Keras,Log Likelihood,我试图实现一个自定义损失函数,如第19页等式3.8所示。我实现了以下目标: import numpy as np import keras.backend as T from keras import models def costume_loss(censored): '''costume loss function''' def loglikelihood_function(y_true,y_pred,censored): '''implements li
import numpy as np
import keras.backend as T
from keras import models
def costume_loss(censored):
'''costume loss function'''
def loglikelihood_function(y_true,y_pred,censored):
'''implements likelihood function as per equation 3.8 in using survival prediction techniques to learn consumer'''
results=[]
n=T.int_shape(y_pred)[0] #number of instances
K=T.int_shape(y_pred)[1] #number of subintervals
print(T.int_shape(y_pred)[0],T.int_shape(y_pred)[1])
for i in range(n):
if censored[i]==0:
sum1=np.sum([y_pred[i][j]*y_true[i][j] for j in range(K)])
sum2=np.sum([math.exp(np.sum([ y_pred[i][k] for k in range(j,K)])) for j in range(K)])
results.append(-(sum1-math.log(sum2)))
else:
sum1=np.sum([y_true[i][j]*math.exp(np.sum([y_pred[i][k] for k in range(j,K)])) for j in range(K)])
sum2=np.sum([math.exp(np.sum([ y_pred[i][k] for k in range(j,K)])) for j in range(K)])
results.append(-(math.log(sum1)-math.log(sum2)))
x=tf.constant(np.array(results,dtype='float64')) #convert into tensor
return T.mean(x)
def loss_function(y_true,y_pred):
return loglikelihood_function(y_true,y_pred,censored)
return loss_function
但是,当我尝试编译模型时:
model.compile(optimizer='rmsprop',loss=costume_loss(censored=c),metrics=['accuracy'])
我要走了
TypeError: 'NoneType' object cannot be interpreted as an integer
在计算时,似乎批次大小未定义。
有人能给我指出正确的方向吗?也许我需要用张量运算来实现它?如果是,怎么做
谢谢是
n
和K
整数吗?c
设置在什么位置?y\u pred
的形状是什么?嗨!是的,n和K都是整数。C是一个0或1的数组,表示每个样本是否被删失;y_pred应该是nn中输出层的输出。是n
和K
整数吗?c
设置在什么位置?y\u pred
的形状是什么?嗨!是的,n和K都是整数。C是一个0或1的数组,表示每个样本是否被删失;y_pred应该是nn中输出层的输出。