Tensorflow Keras：使用重量计算NCE损失

这是标准损耗函数的模型

target = Input(shape=(1, ), dtype='int32')
w_inputs = Input(shape=(1, ), dtype='int32')
w_emb = Embedding(V, dim, embeddings_initializer='glorot_uniform',name='word_emb')(w_inputs)
w_flat= Flatten()(w_emb)
    # context


w1=  Dense(input_dim=dim, units=V, activation='softmax') # because I want to use predicition on valid set)

w= w1(w_flat)
model = Model(inputs=[w_inputs], outputs=[w])

model.compile(loss='sparse_categorical_crossentropy', optimizer='sgd',metrics=['accuracy'])

它很好用。鉴于NCE损失在keras中不可用，我写了一个自定义损失

def model_loss(layer,labels, inputs, num_sampled, num_classes, num_true):
    weights= K.transpose( layer.get_weights()[0])
    biases = layer.get_weights()[1]
    def loss(y_true, y_pred):

        if K.learning_phase() == 1:
            compute_loss = tf.nn.nce_loss(weights, biases, labels, inputs, num_sampled, num_classes, num_true,
            partition_strategy="div")
        else:
            logits = tf.matmul(K.squeeze(inputs,axis=0), K.transpose(weights))
            logits = tf.nn.bias_add(logits, biases)
            labels_one_hot = tf.one_hot(labels, num_classes)
            loss = tf.nn.sigmoid_cross_entropy_with_logits(
                labels=labels_one_hot[:][0][:],
                logits=logits)
            compute_loss = tf.reduce_sum(loss, axis=1)
        return compute_loss

    return loss

并将最后一行更改为：

model.compile(loss=model_loss(w1,target, w_emb, num_sampled, num_classes, num_true), optimizer='sgd',metrics=['accuracy']) 

顺便说一句，这是汇编的

在执行死刑时死亡

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-68-d3b3ef93b81b> in <module>
      3                                  epochs=epochs, steps_per_epoch = seq_len,
      4 
----> 5                                  verbose=1, max_queue_size=15)

/opt/conda/lib/python3.6/site-packages/keras/legacy/interfaces.py in wrapper(*args, **kwargs)
     89                 warnings.warn('Update your `' + object_name + '` call to the ' +
     90                               'Keras 2 API: ' + signature, stacklevel=2)
---> 91             return func(*args, **kwargs)
     92         wrapper._original_function = func
     93         return wrapper

/opt/conda/lib/python3.6/site-packages/keras/engine/training.py in fit_generator(self, generator, steps_per_epoch, epochs, verbose, callbacks, validation_data, validation_steps, class_weight, max_queue_size, workers, use_multiprocessing, shuffle, initial_epoch)
   1416             use_multiprocessing=use_multiprocessing,
   1417             shuffle=shuffle,
-> 1418             initial_epoch=initial_epoch)
   1419 
   1420     @interfaces.legacy_generator_methods_support

/opt/conda/lib/python3.6/site-packages/keras/engine/training_generator.py in fit_generator(model, generator, steps_per_epoch, epochs, verbose, callbacks, validation_data, validation_steps, class_weight, max_queue_size, workers, use_multiprocessing, shuffle, initial_epoch)
     38 
     39     do_validation = bool(validation_data)
---> 40     model._make_train_function()
     41     if do_validation:
     42         model._make_test_function()

/opt/conda/lib/python3.6/site-packages/keras/engine/training.py in _make_train_function(self)
    507                     training_updates = self.optimizer.get_updates(
    508                         params=self._collected_trainable_weights,
--> 509                         loss=self.total_loss)
    510                 updates = (self.updates +
    511                            training_updates +

/opt/conda/lib/python3.6/site-packages/keras/legacy/interfaces.py in wrapper(*args, **kwargs)
     89                 warnings.warn('Update your `' + object_name + '` call to the ' +
     90                               'Keras 2 API: ' + signature, stacklevel=2)
---> 91             return func(*args, **kwargs)
     92         wrapper._original_function = func
     93         return wrapper

/opt/conda/lib/python3.6/site-packages/keras/optimizers.py in get_updates(self, loss, params)
    182     @interfaces.legacy_get_updates_support
    183     def get_updates(self, loss, params):
--> 184         grads = self.get_gradients(loss, params)
    185         self.updates = [K.update_add(self.iterations, 1)]
    186 

/opt/conda/lib/python3.6/site-packages/keras/optimizers.py in get_gradients(self, loss, params)
     89         grads = K.gradients(loss, params)
     90         if None in grads:
---> 91             raise ValueError('An operation has `None` for gradient. '
     92                              'Please make sure that all of your ops have a '
     93                              'gradient defined (i.e. are differentiable). '

ValueError: An operation has `None` for gradient. Please make sure that all of your ops have a gradient defined (i.e. are differentiable). Common ops without gradient: K.argmax, K.round, K.eval.

---------------------------------------------------------------------------
ValueError回溯（最近一次调用上次）
在里面
3个历元=历元，每个历元的步骤=顺序，
4.
---->5详细=1，最大队列大小=15）
/包装器中的opt/conda/lib/python3.6/site-packages/keras/legacy/interfaces.py（*args，**kwargs）
89 warnings.warn（'Update your`'+object\u name+'`调用+
90'Keras 2 API:'+签名，堆栈级别=2）
--->91返回函数（*args，**kwargs）
92包装器._原始函数=func
93返回包装器
/opt/conda/lib/python3.6/site-packages/keras/engine/training.py-in-fit\u生成器（self、生成器、每个历元的步骤、历元、冗余、回调、验证数据、验证步骤、类权重、最大队列大小、工人、使用多处理、无序、初始历元）
1416使用多处理=使用多处理，
1417洗牌=洗牌，
->1418初始_历元=初始_历元）
1419
1420@interfaces.legacy\u生成器\u方法\u支持
/opt/conda/lib/python3.6/site-packages/keras/engine/training\u generator.py in-fit\u generator（模型、生成器、每个历元的步骤、历元、详细信息、回调、验证数据、验证步骤、类权重、最大队列大小、工人、使用多处理、无序、初始历元）
38
39 do\U验证=bool（验证数据）
--->40型。_make_train_function（）
41如果进行验证：
42型号.\u制造\u测试\u功能（）
/opt/conda/lib/python3.6/site-packages/keras/engine/training.py in_make_train_函数（self）
507培训\u更新=self.optimizer.get\u更新(
508参数=自身收集的可训练重量，
-->509损失=自身总损失）
510更新=（自我更新）+
511培训课程更新+
/包装器中的opt/conda/lib/python3.6/site-packages/keras/legacy/interfaces.py（*args，**kwargs）
89 warnings.warn（'Update your`'+object\u name+'`调用+
90'Keras 2 API:'+签名，堆栈级别=2）
--->91返回函数（*args，**kwargs）
92包装器._原始函数=func
93返回包装器
/获取更新（self、loss、params）中的opt/conda/lib/python3.6/site-packages/keras/optimizers.py
182@interfaces.legacy\u获取更新\u支持
183 def get_更新（自我、丢失、参数）：
-->184梯度=自获取梯度（损失、参数）
185 self.updates=[K.update\u add（self.iterations，1）]
186
/获取梯度中的opt/conda/lib/python3.6/site-packages/keras/optimizers.py（self、loss、params）
89梯度=K梯度（损失，参数）
90如果没有梯度：
--->91 raise VALUETERROR（'一个操作的梯度为'None'
92“请确保您的所有老年退休金计划都有”
93'定义的梯度（即可微）。'
ValueError:操作的梯度为“无”。请确保所有操作都定义了梯度（即可微分）。没有梯度的常见操作：K.argmax、K.round、K.eval。

---

当然，问题是，层中的权重没有得到更新，因此是非梯度的。如果不制作自定义层，我怎么能做到这一点？我尝试过这种方法，但我放弃了使用层来测量val_acc之类的东西。

如果没有层的API，在Keras中似乎无法做到这一点。您可以使用cust尝试这种解决方案om层：

事实上，这不起作用。我修复了代码使其起作用-它确实运行了，但有一个层是有问题的。这个解决方案在这里工作得更好，感谢您的关注。