Python 在keras中创建自定义损失函数

嗨，我一直在尝试在keras中为骰子误差系数制作一个自定义损失函数。它在tensorboard中有它的实现，我尝试在keras中使用tensorflow的相同函数，但当我使用模型时，它不断返回非类型的。在批处理或模型上进行训练。拟合在模型中使用度量时，它会给出适当的值。有人能帮我一下吗？我该怎么办？我曾经尝试过遵循ahundt的Keras FCN这样的库，他使用了自定义丢失函数，但似乎都不起作用。代码中的目标和输出分别是y_true和y_pred，正如keras中loss.py文件中使用的那样

def dice_hard_coe(target, output, threshold=0.5, axis=[1,2], smooth=1e-5):
    """References
    -----------
    - `Wiki-Dice <https://en.wikipedia.org/wiki/Sørensen–Dice_coefficient>`_
    """

    output = tf.cast(output > threshold, dtype=tf.float32)
    target = tf.cast(target > threshold, dtype=tf.float32)
    inse = tf.reduce_sum(tf.multiply(output, target), axis=axis)
    l = tf.reduce_sum(output, axis=axis)
    r = tf.reduce_sum(target, axis=axis)
    hard_dice = (2. * inse + smooth) / (l + r + smooth)
    hard_dice = tf.reduce_mean(hard_dice)
    return hard_dice

def dice_hard_coe（目标，输出，阈值=0.5，轴=[1,2]，平滑=1e-5）：
“参考资料
-----------
-“维基骰子`_
"""
输出=tf.cast（输出>阈值，数据类型=tf.float32）
target=tf.cast（target>threshold，dtype=tf.float32）
inse=tf.减和（tf.乘（输出，目标），轴=轴）
l=tf.减少总和（输出，轴=轴）
r=tf。减少总和（目标，轴=轴）
硬骰子=（2.*插入+平滑）/（l+r+平滑）
硬骰子=tf.减少平均值（硬骰子）
返回硬骰子

在Keras中实现参数化自定义损耗函数有两个步骤。首先，编写系数/度量的方法。第二，编写一个包装器函数，按照Keras所需的方式对内容进行格式化

使用Keras后端而不是直接使用tensorflow来实现DICE等简单的自定义损失函数实际上要干净得多。下面是以这种方式实现的系数示例：

import keras.backend as K
def dice_coef(y_true, y_pred, smooth, thresh):
    y_pred = y_pred > thresh
    y_true_f = K.flatten(y_true)
    y_pred_f = K.flatten(y_pred)
    intersection = K.sum(y_true_f * y_pred_f)

    return (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)

现在是棘手的部分。Keras损失函数必须仅采用（y_true，y_pred）作为参数。所以我们需要一个单独的函数来返回另一个函数

def dice_loss(smooth, thresh):
  def dice(y_true, y_pred)
    return -dice_coef(y_true, y_pred, smooth, thresh)
  return dice

最后，您可以在Keras编译中使用它，如下所示

# build model 
model = my_model()
# get the loss function
model_dice = dice_loss(smooth=1e-5, thresh=0.5)
# compile model
model.compile(loss=model_dice)

根据，您可以使用如下自定义损耗函数：

任何带有签名

loss\u fn（y\u true，y\u pred）

的可调用函数返回一个损失数组（输入批处理中的一个样本），可以作为损失传递给compile（）。请注意，任何此类损失都会自动支持样本加权

举个简单的例子：

def my_loss_fn(y_true, y_pred):
    squared_difference = tf.square(y_true - y_pred)
    return tf.reduce_mean(squared_difference, axis=-1)  # Note the `axis=-1`

model.compile(optimizer='adam', loss=my_loss_fn)

import tensorflow as tf
import numpy as np

def my_loss_fn(y_true, y_pred):
    squared_difference = tf.square(y_true - y_pred)
    return tf.reduce_mean(squared_difference, axis=-1)  # Note the `axis=-1`

model = tf.keras.Sequential([
    tf.keras.layers.Dense(8, activation='relu'),
    tf.keras.layers.Dense(16, activation='relu'),
    tf.keras.layers.Dense(1)])

model.compile(optimizer='adam', loss=my_loss_fn)

x = np.random.rand(1000)
y = x**2

history = model.fit(x, y, epochs=10)

完整示例：

def my_loss_fn(y_true, y_pred):
    squared_difference = tf.square(y_true - y_pred)
    return tf.reduce_mean(squared_difference, axis=-1)  # Note the `axis=-1`

model.compile(optimizer='adam', loss=my_loss_fn)

import tensorflow as tf
import numpy as np

def my_loss_fn(y_true, y_pred):
    squared_difference = tf.square(y_true - y_pred)
    return tf.reduce_mean(squared_difference, axis=-1)  # Note the `axis=-1`

model = tf.keras.Sequential([
    tf.keras.layers.Dense(8, activation='relu'),
    tf.keras.layers.Dense(16, activation='relu'),
    tf.keras.layers.Dense(1)])

model.compile(optimizer='adam', loss=my_loss_fn)

x = np.random.rand(1000)
y = x**2

history = model.fit(x, y, epochs=10)

---

“def dice（y_true，y_pred）：return-dice_coef（y_true，y_pred，1e-5，0.5）def dice_coef（y_true，y_pred，smooth，thresh）：y_pred=K.cast（y_pred>thresh，dtype=tf.float32）y_true=K.flattle（y_true>thresh，dtype=tf.float32）y_true=K.flattle（y_true）y_pred=K（2.*交叉点+平滑）/（K.sum（y_true_f）+K.sum（y_pred_f）+平滑）最终_模型。编译（optimizer=opt，loss=dice，metrics=['acc']）“这给了我一个错误”试图将“x”转换为张量，但失败。错误：不支持任何值。“在将其传递到模型之前是否调用dice实例？

dice\u fn=dice？”（平滑=1e-5，阈值=0.5）

最终模型。编译（优化器=opt，损失=dice\u fn）

它按您所说的方式工作。问题是输出不能按这种方式转换为1,0。因此它返回了一个无值。删除该部分后，它工作得非常好。感谢您的帮助。嗨，这里有人能帮我回答我的问题吗：谢谢，有人能确认这是否有效吗？ypred和ytrue是张量，所以

ypred=ypred>ytrue

在我的例子中，任何关于ypred和ytrue的计算都会失败。