我使用带有Concatenate层的Keras模型来实现复合损失。但即使我忽略了两个合并组件中的一个,我的损失也明显高于单独使用的剩余组件。
或许我的代码中有一些错误......
你有什么线索吗?谢谢!
我是真正的设置,我有两个输入集(X1,X2)和两个相应的标签集(Y,Z),流经同一个模型。该模型必须最小化(X1,Y)上的binary_crossentropy并最大化(X2,Z)上的条件熵,受Y-预测的等式约束。为此,我将两条路径X1-Y和X2-Z与Concatenate层合并,并定义相应的自定义损失。但即使我只是忽略了复合损耗中的Z部分,与基本的1输入/ 1输出(X1-Y)路径相比,我得到了非常不同的损耗值。
这里有一些(简化的)代码来重现问题:
from keras.models import Sequential, Model
from keras.layers import Dense, Dropout, Input, Lambda, concatenate
from keras.optimizers import Adam, SGD
import keras.backend as K
import numpy as np
# Define a stupid custom loss on z-labels
def loss1(z, zhat):
return K.sum(K.square(z-zhat), axis=-1)
# Another stupid custom loss on (y,z)-labels that just ignores y then forward to loss1
def loss2(yz, yzhat):
z=yz[:,1]
zhat=yzhat[:,1]
return loss1(z, zhat)
# Toy dataset
X = np.random.rand(1000,100)
X2 = X
y = 1* X[:,0]>0.5
z = 1* X[:,1]>0.5
# Model
model = Sequential()
model.add(Dense(30, input_shape=[X.shape[1]], activation='relu'))
model.add(Dense(1, activation='sigmoid'))
# 2 inputs (X,X2) , 2 outputs (Y,Z)
inY = Input([X.shape[1]], name="X")
outY = Lambda(lambda x: x, name="Y")(model(inY))
inZ = Input([X2.shape[1]], name="X2")
outZ = Lambda(lambda x: x, name="Z")(model(inZ))
# Take a 3rd output YZ by concatenating Y and Z
full_model = Model(inputs=[inY, inZ], outputs=[outY, outZ, concatenate([outY,outZ], name='YZ'), ])
# Run model with loss1 on Z and loss2 on YZ
full_model.compile(optimizer="adam",
loss={'Y':"binary_crossentropy", 'Z':loss1, 'YZ': loss2},
loss_weights={'Y':1, 'Z':0, 'YZ':0})
full_model.fit([X,X2], [y,z, np.stack((y,z),axis=-1)], batch_size=32, epochs=100, verbose=1)
# Z_loss1 and YZ_loss2 should be equal ! ... ??? but got
# > Z_loss: 0.2542 - YZ_loss: 8.3113
# > Z_loss: 0.2519 - YZ_loss: 8.2832
# > Z_loss: 0.2523 - YZ_loss: 8.2477
# > Z_loss: 0.2598 - YZ_loss: 8.2236
# > ...
Z_loss1和YZ_loss2应该相等
但高于代码产量
Z_loss:0.2542 - YZ_loss:7.9963
Z_loss:0.2519 - YZ_loss:7.4883
Z_loss:0.2523 - YZ_loss:7.1448
Z_loss:0.2598 - YZ_loss:6.9451
Z_loss:0.2583 - YZ_loss:6.6104
Z_loss:0.2621 - YZ_loss:6.2509
使用2D张量调用损失函数 - 样本x输出。然后,损失函数计算批次中每个样品的损失并单独返回。
z=yz[:,1]
- 在这里你将2D张量转换为1D然后loss1
总和整个批次的损失而不是每个样本。
如果保留张量维数:
z=yz[:,1:]
zhat=yzhat[:,1:]
那么YZ损失恰好与Y损失匹配:
Epoch 1/5
1000/1000 [==============================] - 1s 1ms/step - loss: 0.7100 - Y_loss: 0.7100 - Z_loss: 0.2617 - YZ_loss: 0.2617