Python 对于负二项分布，我应该如何用Keras（和TensorFlow）编写损失函数？

我用负二项分布来建模变量。 与其预测预期平均值，我更愿意对分布的两个参数进行建模。所以我的神经网络的输出层由两个神经元组成。为此，我需要编写一个自定义损失函数。但下面的代码不起作用——这似乎是在张量上迭代的问题

对于负二项分布，我应该如何用Keras（和TensorFlow）编写损失函数

我只需要重写这段代码，代码对TensorFlow的张量很友好。根据我得到的错误，也许

tensorflow.map\u fn

可能会导致一个解决方案，但我在这方面没有运气

这在总体上运行良好，但在Keras/Tensorflow中不起作用

from scipy.stats import nbinom
from keras import backend as K
import tensorflow as tf

def loss_neg_bin(y_pred, y_true):

    result = 0.0
    for p, t in zip(y_pred, y_true):
        result += -nbinom.pmf(t, p[0], min(0.99, p[1]))

    return result

我得到的错误是：

TypeError:Tensor对象只有在执行急切时才可执行 启用。要在这个张量上迭代，请使用tf.map\u fn

---

您需要

tf.map\u fn

来实现循环，而

tf.py\u func

来结束

nbinom.pmf

。例如：

from scipy.stats import nbinom
import tensorflow as tf

def loss_neg_bin(y_pred, y_true):
    result = 0.0
    for p, t in zip(y_pred, y_true):
        result += -nbinom.pmf(t, p[0], min(0.99, p[1]))
    return result

y_pred= [[0.4, 0.4],[0.5, 0.5]]
y_true= [[1, 2],[1, 2]]
print('your version:\n',loss_neg_bin(y_pred, y_true))

def loss_neg_bin_tf(y_pred, y_true):
    result = tf.map_fn(lambda x:tf.py_func(lambda p,t:-nbinom.pmf(t, p[0], min(0.99,p[1]))
                                           ,x
                                           ,tf.float64)
                       ,(y_pred,y_true)
                       ,dtype=tf.float64)
    result = tf.reduce_sum(result,axis=0)
    return result

y_pred_tf = tf.placeholder(shape=(None,2),dtype=tf.float64)
y_true_tf = tf.placeholder(shape=(None,2),dtype=tf.float64)
loss = loss_neg_bin_tf(y_pred_tf, y_true_tf)

with tf.Session() as sess:
    print('tensorflow version:\n',sess.run(loss,feed_dict={y_pred_tf:y_pred,y_true_tf:y_true}))

# print
your version:
 [-0.34313146 -0.13616026]
tensorflow version:
 [-0.34313146 -0.13616026]

此外，如果使用

tf.py_func

计算负二项式的概率质量函数作为损失反馈模型，则需要自己定义梯度函数

更新--添加可微负二项损失

nbinom

的概率质量函数为：

nbinom.pmf(k) = choose(k+n-1, n-1) * p**n * (1-p)**k

对于

k>=0

，根据

所以我增加了可微负二项损失

import tensorflow as tf

def nbinom_pmf_tf(x,n,p):
    coeff = tf.lgamma(n + x) - tf.lgamma(x + 1) - tf.lgamma(n)
    return tf.cast(tf.exp(coeff + n * tf.log(p) + x * tf.log(1 - p)),dtype=tf.float64)

def loss_neg_bin_tf_differentiable(y_pred, y_true):
    result = tf.map_fn(lambda x: -nbinom_pmf_tf(x[1]
                                                , x[0][0]
                                                , tf.minimum(tf.constant(0.99,dtype=tf.float64),x[0][1]))
                       ,(y_pred,y_true)
                       ,dtype=tf.float64)
    result = tf.reduce_sum(result,axis=0)
    return result

y_pred_tf = tf.placeholder(shape=(None,2),dtype=tf.float64)
y_true_tf = tf.placeholder(shape=(None,2),dtype=tf.float64)
loss = loss_neg_bin_tf_differentiable(y_pred_tf, y_true_tf)
grads = tf.gradients(loss,y_pred_tf)

y_pred= [[0.4, 0.4],[0.5, 0.5]]
y_true= [[1, 2],[1, 2]]
with tf.Session() as sess:
    print('tensorflow differentiable version:')
    loss_val,grads_val = sess.run([loss,grads],feed_dict={y_pred_tf:y_pred,y_true_tf:y_true})
    print(loss_val)
    print(grads_val)

# print
tensorflow differentiable version:
[-0.34313146 -0.13616026]
[array([[-0.42401619,  0.27393084],
       [-0.36184822,  0.37565048]])]

---

你们试过使用吗？thx，这似乎是分布的唯一其他定义，并没有明确的方法如何将其用于损失函数。。同样不推荐，链接tensorflow概率库，这似乎很有希望，但我想用不同的方式。。。