我有不平衡的training
数据集,这就是为什么我建立自定义weighted categorical cross entropy loss
功能。但问题是我的validation
设置是平衡的,我想使用常规的分类交叉熵损失。那么我可以为Keras中的验证集传递不同的损失函数吗?我指的是用于培训的受损者和用于验证集的常规用品?
def weighted_loss(y_pred, y_ture):
'
'
'
return loss
model.compile(loss= weighted_loss, metric='accuracy')
您可以尝试后端函数K.in_train_phase()
,Dropout
和BatchNormalization
层使用它来实现训练和验证中的不同行为。
def custom_loss(y_true, y_pred):
weighted_loss = ... # your implementation of weighted crossentropy loss
unweighted_loss = K.sparse_categorical_crossentropy(y_true, y_pred)
return K.in_train_phase(weighted_loss, unweighted_loss)
K.in_train_phase()
的第一个参数是训练阶段使用的张量,第二个是测试阶段使用的张量。
例如,如果我们将weighted_loss
设置为0(只是为了验证K.in_train_phase()
函数的效果):
def custom_loss(y_true, y_pred):
weighted_loss = 0 * K.sparse_categorical_crossentropy(y_true, y_pred)
unweighted_loss = K.sparse_categorical_crossentropy(y_true, y_pred)
return K.in_train_phase(weighted_loss, unweighted_loss)
model = Sequential([Dense(100, activation='relu', input_shape=(100,)), Dense(1000, activation='softmax')])
model.compile(optimizer='adam', loss=custom_loss)
model.outputs[0]._uses_learning_phase = True # required if no dropout or batch norm in the model
X = np.random.rand(1000, 100)
y = np.random.randint(1000, size=1000)
model.fit(X, y, validation_split=0.1)
Epoch 1/10
900/900 [==============================] - 1s 868us/step - loss: 0.0000e+00 - val_loss: 6.9438
如您所见,训练阶段的损失确实是乘以0的。
请注意,如果模型中没有丢失或批量规范,则需要手动“打开”_uses_learning_phase
布尔开关,否则K.in_train_phase()
默认情况下不起作用。
验证损失函数只是一个指标,实际上不需要进行培训。它就在那里,因为比较网络实际上正在优化的指标是有意义的。因此,您可以在编译期间添加任何其他损失函数作为指标,您将在培训期间看到它。