Python Keras自定义损失函数，每个示例具有不同的权重

我试图在Keras中实现一个自定义损失函数，其中每个示例（不是类）都有不同的权重

准确地说，考虑到通常的y_-true（例如）和y_-pred（例如），我试图创建权重（例如），并将其与二进制交叉熵损失函数一起使用。我试过：

import numpy as np
from keras import backend as K

def my_binary_crossentropy(y_true, y_pred):
    base_factor = 0.9
    num_examples = K.int_shape(y_true)[0]

    out = [ K.pow(base_factor, num_examples - i - 1) for i in range(num_examples) ]
    forgetting_factors = K.stack(out)

    return K.mean(
        forgetting_factors * K.binary_crossentropy(y_true, y_pred),
        axis=-1
    )

这个简单的例子很好用：

y_true = K.variable( np.array([1,1,0]) )
y_pred = K.variable( np.array([1,0.2,0.8]) )
print K.eval(my_binary_crossentropy(y_true, y_pred))

但是，当我将它与

model.compile（loss=my\u binary\u crossentropy，…）

一起使用时，我得到了以下错误：

TypeError:range（）预期的整数结束参数，得到了NoneType

我试过一些东西。我用K_形状替换了K.int_形状，现在得到：

TypeError:range（）应为整数结束参数，得到了张量。

我进一步用K.arange（）替换了range（），现在得到：

TypeError:Tensor对象在未启用急切执行时不可用。要在这个张量上迭代，请使用tf.map\u fn

---

有人能帮我吗？我错过了什么？非常感谢

在tensorflow中，首先使用张量预定义图形，然后再运行它。因此，使用numpy数组的函数不使用tensorflow是很常见的。在您的案例中，num_示例就是问题所在

假设在tensorflow中，此损失函数不会在每次需要时调用，而是在训练模型时，此损失函数将在图形中构建用于计算损失函数的图形

因此，当keras想要在tensorflow中构建损失函数时，你的y_真是一个抽象的张量，它很可能对你的第一个形状没有任何影响，因为批量大小还没有定义

---

您必须以一种不依赖于批大小的方式重写损失函数=>删除变量num\u示例

K.pow

可以使用一系列指数作为参数。所以你可以先计算指数，作为一个张量（

[num\u examples-1，num\u examples-2，…，0]

），然后将这个张量输入到

K.pow

。这里的

num\u示例

基本上就是

K.shape（y\u pred）[0]

，这也是一个张量

def my_binary_crossentropy(y_true, y_pred):
    base_factor = 0.9
    num_examples = K.cast(K.shape(y_pred)[0], K.floatx())
    exponents = num_examples - K.arange(num_examples) - 1
    forgetting_factors = K.pow(base_factor, exponents)
    forgetting_factors = K.expand_dims(forgetting_factors, axis=-1)
    forgetting_factors = K.print_tensor(forgetting_factors)  # only for debugging

    loss = K.mean(
        forgetting_factors * K.binary_crossentropy(y_true, y_pred),
        axis=-1
    )
    loss = K.print_tensor(loss)  # only for debugging
    return loss

例如，由两个

K.print\u tensor

语句打印的输出如下：

model = Sequential()
model.add(Dense(1, activation='sigmoid', input_shape=(100,)))
model.compile(loss=my_binary_crossentropy, optimizer='adam')

model.evaluate(np.zeros((3, 100)), np.ones(3), verbose=0)
[[0.809999943][0.9][1]]
[0.56144917 0.623832464 0.693147182]

model.evaluate(np.zeros((6, 100)), np.ones(6), verbose=0)
[[0.590489924][0.656099916][0.728999913]...]
[0.409296423 0.454773813 0.505304217...]

---

由于四舍五入错误，数字不准确。

遗忘因子

（在

model.evaluate

之后打印的第一行）实际上是0.9的幂。您还可以验证返回的损耗值衰减系数为0.9（

0.623832464=0.693147182*0.9

和

0.56144917=0.693147182*0.9**2

等）。

非常感谢！您能否解释一下，为什么它会返回一个列表（model.evaluate后面的第二行），而不是一个数字，即损失？据我所知，最终答案是，损失是此列表中的最后一个数字，是否正确？打印和返回的

loss

变量包含样本损失值。Keras损失函数返回样本损失，然后在内部对其进行平均（并乘以样本权重）。例如，在第一个

model.evaluate（）

中，传入一个包含3个样本的批次，因此

loss

变量将是大小为3.5的1D张量。我问这个问题的原因是因为我试图做一个简单的测试来验证代码。考虑到我的原始帖子中的示例，使用原始的

二进制交叉熵得出1.0729587。使用
my_binary_crossentropy
和
base_factor=1.0
给出[1.0729587 1.0729587 1.0729587]。但是设置
base\u factor=0.9
会给出[0.8690965 0.9656628 1.0729587]，而我期望的是1.019311。嗯，也许我遗漏了一些东西，但为什么是1.019311？您希望权重为
[0.81,0.9,1.0]
还是
[0.9,0.95,1.0]
？