Tensorflow 自定义keras损失函数二进制交叉熵给出不正确的结果

有没有人有一个令人信服的解决方案来让自定义二进制交叉熵工作

我尝试了所有可能的方法（甚至使整个训练数据大小与bacth大小相同，以消除批处理过程中对全局平均值的依赖）。但是我看到了我的二进制交叉熵实现和keras的实现之间的显著差异（通过指定loss='binary\u crossentropy'）

我的CRASTOM二进制交叉熵代码如下

def _loss_tensor(y_true, y_pred):
y_pred = K.clip(y_pred, _EPSILON, 1.0-_EPSILON)
out = (y_true * K.log(y_pred) + (1.0 - y_true) * K.log(1.0 - y_pred))
return -K.mean(out)
def _loss_tensor2(y_true, y_pred):
y_pred = K.clip(y_pred, _EPSILON, 1.0-_EPSILON)
out = -(y_true * K.log(y_pred) + -(1.0 - y_true) * K.log(1.0 - y_pred))
return out
def _loss_tensor2(y_true, y_pred):
loss1 = K.binary_crossentropy(y_true, y_pred)
return loss1

这些方法都不起作用。即使我在从自定义损失函数返回结果之前执行K.mean（），它也不起作用

我无法理解使用loss='binary\u crossentropy'的特殊功能是什么。当我使用我的自定义损失函数时，训练很糟糕，它确实按预期工作

---

我需要我的自定义损失函数来根据错误操作损失函数，并进一步惩罚某种类型的分类错误。

我找到了一种满足此要求的方法，并在此处发布了相同的方法：

---

然而，为什么内置函数的性能与显式公式方法明显不同尚不清楚。然而，我认为这主要是由于处理了y_pred概率值的上下限。

我找到了一种满足此要求的方法，并在此处发布了相同的内容：

def custom_binary_loss(y_true, y_pred): 
    # https://github.com/tensorflow/tensorflow/blob/v2.3.1/tensorflow/python/keras/backend.py#L4826
    y_pred = K.clip(y_pred, K.epsilon(), 1 - K.epsilon())
    
    term_0 = (1 - y_true) * K.log(1 - y_pred + K.epsilon())  # Cancels out when target is 1 
    term_1 = y_true * K.log(y_pred + K.epsilon()) # Cancels out when target is 0

    return -K.mean(term_0 + term_1, axis=1)

然而，为什么内置函数的性能与显式公式方法明显不同尚不清楚。然而，我认为这主要是由于对y_pred概率值上下限的处理

def custom_binary_loss(y_true, y_pred): 
    # https://github.com/tensorflow/tensorflow/blob/v2.3.1/tensorflow/python/keras/backend.py#L4826
    y_pred = K.clip(y_pred, K.epsilon(), 1 - K.epsilon())
    
    term_0 = (1 - y_true) * K.log(1 - y_pred + K.epsilon())  # Cancels out when target is 1 
    term_1 = y_true * K.log(y_pred + K.epsilon()) # Cancels out when target is 0

    return -K.mean(term_0 + term_1, axis=1)