Python 实现用于对象检测的自定义丢失函数

我是keras和tensorflow的新手。如何在执行对象检测时实现自定义丢失函数，现在我有5个参数-4个用于边界框坐标，1个用于对象是否存在如果对象存在，损失函数应返回坐标差的平方；如果对象不存在，损失函数应返回一个巨大的值作为损失。这是我现在正在尝试的代码：

def loss_func(y_true,y_pred):
  mask = np.array([False, False, False,False,True])   # check column of the class of object
  mask1 = np.array([True, True, True,True,False])     # get the columns of the coordinates of B box
  check_class = K.mean(K.square(tf.subtract(tf.boolean_mask(y_true,mask),tf.boolean_mask(y_pred,mask))))
  mean_square = K.mean(K.square(tf.subtract(tf.boolean_mask(y_true,mask1),tf.boolean_mask(y_pred,mask1))))
  value=K.mean(tf.boolean_mask(y_pred,mask))

  return value*mean_square + check_class

这里我屏蔽其他值以获得最后一个值，即1000-->对象存在0-->对象不存在。 还有其他更好的方法吗

---

当我在Kaggle中运行此选项时，损耗值会迅速减小，到第二个历元时，损耗变为0。

首先，我建议使用1而不是1000作为“image exist”参数。
您可以操纵y_true和y_pred

penalty = 100

def lf(y_true,y_pred):
    mean_square = tf.keras.losses.mean_squared_error(y_true[:,0:4], y_pred[:,0:4])
    check_class = tf.subtract(y_true[:,4], y_pred[:,4])
    check_class = check_class * -penalty
    check_class = tf.keras.backend.mean(check_class)
    return mean_square + check_class

上述函数首先检查前4个参数的均方误差。
然后，第二部分检查“present”参数。
如果它们不同，则输出-1，如果它们相同，则输出0。
然后它使用惩罚来惩罚错误的参数。

---

使用一些常量的“惩罚”可能很难训练。我建议将优化器更改为SGD，adam在这种情况下不会很好地工作，并在达到满意结果之前一直使用惩罚。

您是否使用大小为1的批次？（假设使用大小为5的遮罩时）没有批量大小不是1，我想会为每个图像计算损失函数吗？事实上，批量大小是16@OrDinari I将批量大小更改为1，现在损失仅为0-否change@OrDinari，如果类不是1，是否可以避免均方项。另外，您是否建议尝试在SGD上使用相同的代码？（PS：激活功能为ReLU）@Kitwradr是。批量大小无关紧要。@Shobhit Kumar，如果您喜欢使用不同于均方的损失函数，您可以使用您喜欢的任何损失函数。关于SGD，我只会在这种情况下使用SGD，根据我的经验，不同的优化器不能很好地处理上述“惩罚”。一般来说，我认为正确的解决方案是为输出设置两个磁头（4个参数和“present”），这将允许您轻松使用不同的激活函数和损耗函数。但是，它取决于域，因此可能不是最佳解决方案。@ShobhitKumar这是一个广泛的教程：，下面是stackoverflow:@或Dinari的一些玩具示例，非常感谢您的帮助。我成功地创建了我的网络