Python Keras自定义RMSLE公制

我如何在Keras中实现此指标？我下面的代码给出了错误的结果！ 请注意，我正在通过exp（x）-1撤消以前的日志（x+1）转换，并且负面预测被剪裁为0：

def rmsle_cust(y_true, y_pred):
    first_log = K.clip(K.exp(y_pred) - 1.0, 0, None)
    second_log = K.clip(K.exp(y_true) - 1.0, 0, None)
    return K.sqrt(K.mean(K.square(K.log(first_log + 1.) - K.log(second_log + 1.)), axis=-1)

作为比较，这里是标准的numpy实现：

def rmsle_cust_py(y, y_pred, **kwargs):
    # undo 1 + log
    y = np.exp(y) - 1
    y_pred = np.exp(y_pred) - 1

    y_pred[y_pred < 0] = 0.0
    to_sum = [(math.log(y_pred[i] + 1) - math.log(y[i] + 1)) ** 2.0 for i,pred in enumerate(y_pred)]
    return (sum(to_sum) * (1.0/len(y))) ** 0.5

def rmsle_cust_py（y，y_pred，**kwargs）：
#撤消1+日志
y=np.exp（y）-1
y_pred=np.exp（y_pred）-1
y_pred[y_pred<0]=0.0
to_sum=[（math.log（y_pred[i]+1）-math.log（y[i]+1））**2.0表示i，枚举中的pred（y_pred）]
回报率（总和）*（1.0/len（y））**0.5

我做错了什么？谢谢

编辑：设置

axis=0

似乎给出了一个非常接近正确值的值，但我不确定，因为我看到的所有代码都使用

axis=-1

通过在numpy实现中使用列表（

to_sum

），我怀疑您的numpy数组具有形状

（长度，）

在Keras上，由于轴=0和轴=1的结果不同，所以可能会得到类似于长度1的形状

另外，在创建

to_sum

列表时，您使用的是

y[i]

和

y_pred[i]

，这意味着您在numpy实现中从

轴=0

获取元素

numpy实现还将计算

sum（to_sum）

中平均值的所有内容相加。因此，您实际上不需要在

K.mean

中使用任何

轴

如果确保模型的输出形状为
（长度，）
或
（长度，1）
，则可以仅使用
K.mean（值）
，而无需传递轴参数
 我遇到了同样的问题并搜索了它，以下是我找到的


经过一点修改后，这似乎对我有效，
rmsle_K
方法使用
Keras
和
TensorFlow
实现

import numpy as np
import math
from keras import backend as K
import tensorflow as tf

def rmsle(y, y0):
    assert len(y) == len(y0)
    return np.sqrt(np.mean(np.power(np.log1p(y)-np.log1p(y0), 2)))

def rmsle_loop(y, y0):
    assert len(y) == len(y0)
    terms_to_sum = [(math.log(y0[i] + 1) - math.log(y[i] + 1)) ** 2.0 for i,pred in enumerate(y0)]
    return (sum(terms_to_sum) * (1.0/len(y))) ** 0.5

def rmsle_K(y, y0):
    return K.sqrt(K.mean(K.square(tf.log1p(y) - tf.log1p(y0))))

r = rmsle(y=[5, 20, 12], y0=[8, 16, 12])
r1 = rmsle_loop(y=[5, 20, 12], y0=[8, 16, 12])
r2 = rmsle_K(y=[5., 20., 12.], y0=[8., 16., 12.])

print(r)

print(r1)

sess = tf.Session()

print(sess.run(r2))

结果：

使用TensorFlow后端

0.263978210565

0.263978210565

0.263978

谢谢，但是exp（x）-1转换呢？@Fernando我认为你不需要那个转换，尽管我需要，因为我的模型符合log（x+1），所以我需要通过exp（x）-1转换回来，然后应用RMSLE。最小化日志错误不会也会最小化真实错误，因为日志函数是单调转换吗？我注意到，但是，对于同一对（y，y_pred），Keras给出的结果略有不同。我不知道为什么。