将此损失函数方程转换为python代码

请检查此链接的等式，并将其转换为简单keras模型的python损失函数

其中，图片中等式的最大部分或所选曲线部分是铰链损耗，yi表示每个的标签 例如，φ（x）表示特征表示，b表示偏差，k表示训练示例的总数，w表示要学习的分类器

为便于检查，样本方程为-

min(w) [
1/k(sum of i to k)
max(0, 1 - y_i(w.φ(x) - b))
]
+
1/2||w||^ 2 
.

实际上，我可以在图片中找到方程的最大部分或曲线部分，但我找不到1/2*| |w| ^2部分

您也可以查看此链接以获取帮助-

这里我附上了一些示例代码，以明确我的问题的概念：

print("Create Model")
model = Sequential()
model.add(Dense(512,     
input_dim=4096, init='glorot_normal',W_regularizer=l2(0.001),activation='relu'))
model.add(Dropout(0.6))
model.add(Dense(32, init='glorot_normal',W_regularizer=l2(0.001)))
model.add(Dropout(0.6))
model.add(Dense(1, init='glorot_normal',W_regularizer=l2(0.001),activation='sigmoid'))

adagrad=Adagrad(lr=0.01, epsilon=1e-08)     
model.compile(loss= required_loss_function, optimizer=adagrad)

def required_loss_function(y_true, y_pred): 
      IN THIS LOSS FUNCTION, 
      CONVERT THE EQUATION IN THE 
      PICTURE INTO PYTHON CODE.

值得一提的是，您必须找到的是-1/2*| |w| ^2。 正如我可以在链接的图片中找到等式的剩余部分或其他部分的python代码一样。铰链损失部分可使用以下方程式轻松计算-

import keras

keras.losses.hinge(y_true, y_pred)

---

如果您需要进一步帮助，请评论详细信息。

您的屏幕截图显示了整个目标函数，但只有

总和（最大值（…）

项称为损失项。因此，只有该术语需要在

required\u loss\u函数中实现。事实上，您可能可以使用keras库中的预烘焙铰链损失，而不是自己编写，当然，除非您应该自己编写它作为练习的一部分

另一项，0.5*| | w | ^ 2项，是正则化项。具体来说，它是一个L2正则化项。keras有一种完全独立的处理正则化的方法，您可以在上阅读。基本上，它相当于创建一个
l2
实例
keras.regularizers.l2（lambdapameter）
，并使用
.add（）
方法将其附加到模型中（你的屏幕截图方程没有缩放正则化项的参数——因此，如果这就是你应该实现的，那就意味着你的
lambdaParameter
将是1.0）

但您提供的列表似乎已经在不同的上下文中多次应用了这样的
l2
正则化器（我对keras一点也不熟悉，所以我真的不知道发生了什么-我想这是一个比您的屏幕截图中表示的模型更复杂的模型）

不管是哪种方式，您的问题的答案都是正则化项是单独处理的，不属于损失函数（损失函数的签名也给了我们这个提示：没有
w
参数传入它，只有
y\u true
和
y\u pred
）.
如果您展示了迄今为止您成功生成的代码，并指出其失败的方式和地方，可能会帮助stackoverflow社区帮助您消除特定的障碍。如果您正在寻找铰链损失，您可以尝试查看python代码的此链接-@jez请检查我的新更新，并帮助我解决问题1/方程的2*| w | | ^ 2部分。@Sampath请检查我的新更新，并帮助我解决方程的1/2*| w | | ^ 2部分。您已经有了部分损失，w |正则化器=l2（0.001）部分在损失中添加了一个项，基本上是该层的lambda*| w | ^ 2，所以您只需要将lambda设置为1。