Пользовательская функция потери отличается от обычного MSE - PullRequest
Новая
       4

Пользовательская функция потери отличается от обычного MSE

2 голосов
/ 01 марта 2020

Я пытаюсь настроить пользовательскую функцию потерь для своего набора данных. Я передаю постоянные начальные параметры как часть входного слоя, и я хочу нарезать тензор y_true в функции потерь, чтобы вернуть только динамические переменные в моей системе. то есть 

def modified_mse(y_true,y_pred):
    return losses.mse(y_true[:,10:], y_pred)

Однако эта функция потерь дает совершенно другие потери, чем просто Keras mse. Почему потери такие разные? Я ожидаю, что они будут такими же. Минимальный рабочий пример: 

import pandas as pd
import numpy as np
from sklearn import metrics
import math, glob
import matplotlib.pyplot as plt
from collections import defaultdict
from functools import partial
from itertools import repeat
from sklearn.utils import shuffle
from sklearn.model_selection import train_test_split
from sklearn.model_selection import StratifiedKFold
from sklearn.metrics import roc_curve, auc
from keras.utils import to_categorical
from keras import models
from keras import layers
from keras.callbacks import EarlyStopping, ModelCheckpoint
from keras.layers import Dense, Dropout, Activation, Input
import keras.backend as K
import tensorflow as tf
from keras import losses
from keras.models import Model
from numpy.random import seed

df = pd.read_csv("julia_batch5_1.csv")

dfShuffle = shuffle(df,random_state=42)

i_col = ["m1","m2", "m3","x1", "x2", "x3", "y1", "y2", "y3", "tEnd"]
o_col = ["x1tEnd", "x2tEnd", "x3tEnd", "y1tEnd", "y2tEnd", "y3tEnd", "dx1tEnd", "dx2tEnd", "dx3tEnd", "dy1tEnd", "dy2tEnd", "dy3tEnd","eventID"]

X1 = dfShuffle[i_col].values
y1 = dfShuffle[o_col+i_col].values

X_train,X_test,y_train,y_test = train_test_split(X1,y1, test_size=0.2, random_state=42)


id_list_train = y_train[:,len(o_col+icol)-1]
id_list_test = y_test[:,len(o_col+icol)-1]
y_train = np.delete(y_train,len(o_col+icol)-1,1)
y_test = np.delete(y_test,len(o_col+icol)-1,1)

X_train = X_train.astype('float64')
X_test = X_test.astype('float64')
y_train = y_train.astype('float64')
y_test = y_test.astype('float64')

network = models.Sequential()
network.add(layers.Dense(128,activation='relu',input_dim=len(i_col)))
for i in range(9):
    network.add(layers.Dense(128,activation='relu'))
network.add(layers.Dense(12,activation='linear'))
network.compile(optimizer='adam', loss=modified_mse, metrics=['accuracy'])
network.save_weights('model_init.h5')

history = network.fit(X_train,y_train,
                              epochs=30,
                              batch_size=128,
                              validation_data=(X_test,y_test),
                              verbose = 1)

Файл данных доступен по адресу https://drive.google.com/open?id=1Jy5U3pjhNEoJUXSuyabzM_LMUNAOQJ3f

...