TypeError от keras с настраиваемой функцией потери - PullRequest
Новая
       8

TypeError от keras с настраиваемой функцией потери

0 голосов
/ 06 мая 2020

Я попытался создать пользовательскую функцию потерь, используя numba jit-совместимую функцию, как описано здесь для алгоритма регрессии. Вроде работает как метри c, но у меня странная ошибка при использовании в качестве потери. У меня есть игрушечная функция, которая здесь воспроизводит проблему: 

@njit
def test_del(y_true, y_pred):
    cols = y_true.shape[1]
    out = 0
    for i in range(y_true.shape[1]):
        true_dam = np.abs(y_true[:, i]).max()  #toy
        pred_dam = np.abs(y_pred[:, i]).max()  #toy
        out += np.mean(np.abs(np.log(pred_dam / true_dam))**2)
    return out/cols

(да, я знаю, что эту игрушечную задачу можно оптимизировать, чтобы сделать ее более векторизованной, но она соответствует структуре моих реальных функций, чего не может быть, поэтому я оставляю это)

Тогда у меня есть функция потерь / метри c: 

def del_loss(y_true, y_pred):
    return tf.numpy_function(test_del, [y_true, y_pred], tf.float64) +\
           K.cast(tf.keras.losses.mean_squared_error(y_true, y_pred), tf.float64)

Теперь, если я скомпилирую модель с del_loss в качестве метри c (пока я использую его как float64, что странно, но неважно), он работает нормально. Но если я использую это как потерю, я получаю эту странную строку ошибок: 

Traceback (most recent call last):

  #removed my chain of objects resulting in a `model.compile(loss = del_loss)` call

  File "C:\ProgramData\Anaconda3\envs\MLEnv\lib\site-packages\keras\backend\tensorflow_backend.py", line 75, in symbolic_fn_wrapper
    return func(*args, **kwargs)

  File "C:\ProgramData\Anaconda3\envs\MLEnv\lib\site-packages\keras\engine\training.py", line 229, in compile
    self.total_loss = self._prepare_total_loss(masks)

  File "C:\ProgramData\Anaconda3\envs\MLEnv\lib\site-packages\keras\engine\training.py", line 692, in _prepare_total_loss
    y_true, y_pred, sample_weight=sample_weight)

  File "C:\ProgramData\Anaconda3\envs\MLEnv\lib\site-packages\keras\losses.py", line 73, in __call__
    losses, sample_weight, reduction=self.reduction)

  File "C:\ProgramData\Anaconda3\envs\MLEnv\lib\site-packages\keras\utils\losses_utils.py", line 166, in compute_weighted_loss
    losses, None, sample_weight)

  File "C:\ProgramData\Anaconda3\envs\MLEnv\lib\site-packages\keras\utils\losses_utils.py", line 76, in squeeze_or_expand_dimensions
    elif weights_rank - y_pred_rank == 1:

TypeError: unsupported operand type(s) for -: 'int' and 'NoneType'

Теперь, если я попытаюсь отследить этот последний шаг, я получаю squeeze_or_expand_dimensions и понимаю, что нахожусь в if блок, который должен срабатывать, только если у меня есть sample_weight - у меня нет. В любом случае код перед ним: 

y_pred_rank = K.ndim(y_pred)
weights_rank = K.ndim(sample_weight)
if weights_rank != 0:
    if y_pred_rank == 0 and weights_rank == 1:
        y_pred = K.expand_dims(y_pred, -1)
    elif weights_rank - y_pred_rank == 1:
        sample_weight = K.squeeze(sample_weight, -1)
    elif y_pred_rank - weights_rank == 1:
        sample_weight = K.expand_dims(sample_weight, -1)

Не должно быть никакого способа для y_pred_rank или weights_rank закончиться None (и даже если weights будет установлено на 1 ранее (как кажется в compute_weighted_loss), weights_rank должно закончиться 0), но, по-видимому, это так. И как это связано с моей новой функцией потерь, я не понимаю

1 Ответ

1 голос
/ 06 мая 2020

этот фиктивный пример на моей машине без numba работает: 

def test_del(y_true, y_pred):
    cols = y_true.shape[1]
    out = 0
    for i in range(y_true.shape[1]):
        true_dam = np.abs(y_true[:, i]).max()  #toy
        pred_dam = np.abs(y_pred[:, i]).max()  #toy
        out += np.mean(np.abs(np.log(pred_dam / true_dam))**2)
    return out/cols

def del_loss(y_true, y_pred):
    return tf.numpy_function(test_del, [y_true, y_pred], tf.float64) +\
           K.cast(tf.keras.losses.mean_squared_error(y_true, y_pred), tf.float64)


inp = Input((10,))
x = Dense(30)(inp)
out = Dense(10)(x)
model = Model(inp, out)
model.compile('adam', del_loss)

model.fit(np.random.uniform(0,1, (3,10)), np.random.uniform(0,1, (3,10)), epochs=3)
...