我正在使用Keras模型构建一个自动编码器。我想建立一个自定义的损失,其形式为 alpha* L2(x, x_pred) + beta * L1(day_x, day_x_pred)
. L1损失的第二项是关于时间的惩罚(day_x是一个日号)。在我的输入数据中,日期是第一个特征。我的输入数据的形式是 ['day', 'beta', 'sigma', 'gamma', 'mu']
.
输入的x是形状(batch_size,特征数),我有5个特征。所以我的问题是,如何从以下的特征中提取第一个特征 x and x_pred
来计算 L1(t_x, t_x_pred)
.这是我目前的损失函数:
def loss_function(x, x_predicted):
#with tf.compat.v1.Session() as sess: print(x.eval())
return 0.7 * K.square(x- x_predicted) + 0.3 * K.abs(x[:,1]-x_predicted[:,1])
但这对我来说并不奏效。
这是你需要的损失...
你必须计算出你的误差的平均值
def loss_function(x, x_predicted):
get_day_true = x[:,0] # get day column
get_day_pred = x_predicted[:,0] # get day column
day_loss = K.mean(K.abs(get_day_true - get_day_pred))
all_loss = K.mean(K.square(x - x_predicted))
return 0.7 * all_loss + 0.3 * day_loss
否则,你必须插入一个尺寸
def loss_function(x, x_predicted):
get_day_true = x[:,0] # get day column
get_day_pred = x_predicted[:,0] # get day column
day_loss = K.abs(get_day_true - get_day_pred)
all_loss = K.square(x - x_predicted)
return 0.7 * all_loss + 0.3 * tf.expand_dims(day_loss, axis=-1)
编译模型时使用损失
model.compile('adam', loss=loss_function)