连接层改变损失量

Question

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！

Some context

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

Answer 1

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