Keras 新增自定義Losses

有時候，我們需要往模型裡面新增一些自定義的loss。

這些自定義的loss主要分為兩大類：

loss是基於樣本的正確標籤 yre

aly_yr

eal​

和**的logit ypr

edy_yp

red​

計算得到。這種loss主要集中在對分類損失的改進上，例如focal loss等。

loss需要模型的中間層資訊參與運算。這種loss常見的就是對權重的正則化項，高階一點還有對抗機器學習裡面的fgsm的對抗學習正則化項。

其中，第一類loss可以通過自定義loss函式，或者loss類，然後在模型compile的時候指定損失就可以了。

第二類loss則不能通過模型compile（）函式來指定，而需要呼叫add_loss()函式來指定。

第一類loss必須能夠通過yre

aly_yr

eal​

和 ypre

dy_ypred​

，以及某些額外的超引數得到計算得到。

這種函式的輸入是兩個引數yre

aly_yr

eal​

和 ypre

dy_ypred​

， 輸出是乙個tensor，tensor的必須得是對每個樣本都輸出乙個值。

定義好之後，在model的compile裡面指定就是了。

例如：

alpha1=

0.2alpha2=
0.5def
custom_loss_function
(y_true, y_pred)
: squared_difference = tf.square(y_true - y_pred)
##如果計算過程需要用上超引數，則先在全域性作用域定義超引數，然後在函式裡面直接使用這些超引數。
return tf.reduce_mean(squared_difference, axis=-1
)model.
compile
(optimizer=
'adam'
, loss=custom_loss_function)

其中γ

\gamma

γ 是乙個超引數，用於調和loss，我們可以在實現的時候把它定義為乙個全域性的引數，然後再函式裡面使用它就可以了。

第二類loss則是需要神經網路本身參與計算，例如l2正則化啥的。

這類loss的定義，一般是在網路搭建的後面，因為這些loss的計算能夠方便的訪問到中間層的輸出或權重。

這種loss沒有像第一類loss一樣有輸入輸出的約定，loss一般就是用某個函式封裝的任意計算圖。

定義好loss之後，把呼叫模型的add_loss函式把這部分計算圖加到模型即可。

compile裡面指定的loss和add_loss指定的loss的關係：

在keras的model.compile函式原始碼中可以看到如下的**：

with k.name_scope(

'loss'):
for i in
range
(len
(self.outputs)):
if i in skip_target_indices:
continue
y_true = self.targets[i]
y_pred = self.outputs[i]
weighted_loss = weighted_losses[i]
sample_weight = sample_weights[i]
mask = masks[i]
loss_weight = loss_weights_list[i]
with k.name_scope(self.output_names[i]
+'_loss'):
output_loss = weighted_loss(y_true, y_pred,
sample_weight, mask)
iflen
(self.outputs)
>1:
+'_loss'
)if total_loss is
none
: total_loss = loss_weight * output_loss
else
: total_loss += loss_weight * output_loss
if total_loss is
none:if
not self.losses:
raise valueerror(
'the model cannot be compiled '
'because it has no loss to optimize.'
)else
: total_loss =0.
# add regularization penalties
# and other layer-specific losses.
for loss_tensor in self.losses:
total_loss += loss_tensor

而self.losses就是模型（包括它使用到所有層）通過add_loss函式新增的損失。

Keras 自定義層

keras自定義或者重寫層，需要實現三個方法 問題 參考 keras 自定義層 最後舉乙個conditional layer normalization的例子 基於conditional layer normalization的條件文字生成 自定義層需要實現三個方法 class layernorma...

keras自定義層

keras學習筆記 二 keras實現自定義層 例1，參考博文1中的自定義層attentiondecoder。def build self,input shape for model details that correspond to the matrices here.self.batch si...

Keras 中自定義層

keras中自定義層非常普遍。對於簡單，無狀態的自定義操作，可以通過 layers.core.lambda層來實現。對於包含了可訓練權重的自定義層，就需要自己手動去實現。需要實現三個方法 build input shape 定義權重，這個方法必須設 self.built true,可以通過呼叫 su...