Python 如何在keras中实现自定义成本函数？_Python_Python 3.x_Tensorflow_Keras_Deep Learning

Python 如何在keras中实现自定义成本函数？

python python-3.x tensorflow keras deep-learning

Python 如何在keras中实现自定义成本函数？,python,python-3.x,tensorflow,keras,deep-learning,Python,Python 3.x,Tensorflow,Keras,Deep Learning,我有一个如下的代价函数=argmin L1+L2，其中L1是均方误差，L2是 -λ和（平方（（y）x（z）），其中y是预测输出图像，z是模型的给定输入图像。y和z的元素相乘，然后取其平方。λ是L1和L2之间的折衷参数。我不知道如何在中实现，我按如下方式实现 def custom_loss(i): def loss(y_true, y_pred): y_true=K.cast(y_true, dtype='float32') y_

我有一个如下的代价函数=argmin L1+L2，其中L1是均方误差，L2是 -λ和（平方（（y）x（z）），其中y是预测输出图像，z是模型的给定输入图像。y和z的元素相乘，然后取其平方。λ是L1和L2之间的折衷参数。我不知道如何在中实现，我按如下方式实现

def custom_loss(i):

        def loss(y_true, y_pred):

            y_true=K.cast(y_true, dtype='float32')
            y_pred=K.cast(y_pred, dtype='float32')
            input_image=K.cast(i, dtype='float32')

            mul=tf.math.multiply(input_image,y_pred)
            L1=K.mean(K.square(mul),axis=1)
            L2=K.mean(K.square(y_pred - y_true), axis=-1)
            closs=L1-L2
            return closs

        return loss

一部分一部分地打断你的问题

其中L1为均方误差

因此，

L1=np.square（np.subtract（y\u true，y\u pred））.mean（）

L2是-λ和（平方（（y）x（z）），其中y是预测值输出图像，z是模型的给定输入图像。元素的 y和z相乘，然后取其平方

因此，

L2=np.sum（np.concatenate（np.square（np.multiply（y\u true，y\u pred）））

您意识到L2将是一个非常大的损失数字。

总而言之，损失函数是这样的-

def custom_loss(y_true,y_pred):
    def loss(y_true, y_pred):
        y_true = img_to_array(y_true)
        y_pred = img_to_array(y_pred)
        L1 = np.square(np.subtract(y_true,y_pred)).mean()
        L2 = np.sum(np.concatenate(np.square(np.multiply(y_true,y_pred))))
        loss=L1-L2
        return loss

我在这里编写了一个简单的代码，将图像加载为y_true，并裁剪y_pred的中心部分，然后执行您提到的损失（由于值太大，意义不大）

代码-

import tensorflow as tf
from keras.preprocessing.image import load_img
from keras.preprocessing.image import img_to_array, array_to_img
from matplotlib import pyplot

# Load the image
y_true = load_img('/content/bird.jpg', target_size=(224, 224))

# Convert Image to array
image = img_to_array(y_true)

# Central crop image
image = tf.image.central_crop(image, np.random.uniform(0.50, 1.00))

# Resize to original size of image
image = tf.image.resize(image, (224, 224))

# convert the image to an array
y_pred = array_to_img(image)

# def custom_loss():
#     def loss(y_true, y_pred):
#         y_true = img_to_array(y_true)
#         y_pred = img_to_array(y_pred)
#         L1 = np.square(np.subtract(y_true,y_pred)).mean()
#         L2 = np.sum(np.concatenate(np.square(np.multiply(y_true,y_pred))))
#         loss=L1-L2
#         return loss

def loss(y_true, y_pred):
    y_true = img_to_array(y_true)
    y_pred = img_to_array(y_pred)
    L1 = np.square(np.subtract(y_true,y_pred)).mean()
    L2 = np.sum(np.concatenate(np.square(np.multiply(y_true,y_pred))))
    loss=L1-L2
    return loss

x = loss(y_true,y_pred)
print(x)

输出-

-251577020000000.0