Как рассчитать разные потери для разных входов в модели keras - PullRequest
Новая
       123

Как рассчитать разные потери для разных входов в модели keras

1 голос
/ 07 августа 2020

Моя модель имеет два входа, и я хочу рассчитать потери для этих двух входов отдельно, потому что потерю входа 2 нужно умножить на вес. Затем сложите эти две потери как окончательную потерю модели. Структура примерно такая:

введите описание изображения здесь

Это моя модель: 

def final_loss(y_true, y_pred):
    loss = x_loss_value.output + y_model.output*weight
    return loss

def mymodel(input_shape): #pooling=max or avg

    img_input1 = Input(shape=(input_shape[0], input_shape[1], input_shape[2], ))
    image_input2 = Input(shape=(input_shape[0], input_shape[1], input_shape[2], )) 

    #for input1 
    x = Conv2D(32, (3, 3), strides=(2, 2))(img_input1)
    x_dense = Dense(2, activation='softmax', name='predictions')(x)
    x_loss_value = my_categorical_crossentropy_layer(x)[input1_y_true, input1_y_pred]
    x_model = Model(inputs=img_input1, outputs=x_loss_value)

    #for input2 
    y = Conv2D(32, (3, 3), strides=(2, 2))(image_input2)
    y_dense = Dense(2, activation='softmax', name='predictions')(y)
    y_loss_value = my_categorical_crossentropy_layer(y)[input2_y_true, input2_y_pred]
    y_model = Model(inputs=img_input2, outputs=y_loss_value)

    concat = concatenate([x_model.output, y_model.output])
    final_dense = Dense(2, activation='softmax')(concat)

    # Create model.
    model = Model(inputs=[img_input1,image_input2], output = final_dense)
    return model

    model.compile(optimizer = optimizers.adam(lr=1e-7), loss = final_loss, metrics = ['accuracy'])

Большинство связанных решений, которые я нашел, просто настраивают окончательную потерю и меняют ее в Model.complie(loss=customize_loss).

Однако мне нужно применить разные потери для разных входов. Я пытаюсь использовать настраиваемый слой, подобный этому, и получить мое значение потерь для окончательного расчета потерь: 

class my_categorical_crossentropy_layer1(Layer):

    def __init__(self, **kwargs):
        self.is_placeholder = True
        super(my_categorical_crossentropy_layer1, self).__init__(**kwargs)

    def my_categorical_crossentropy_loss(self, y_true, y_pred):
        y_pred = K.constant(y_pred) if not K.is_tensor(y_pred) else y_pred
        y_true = K.cast(y_true, y_pred.dtype)
        return K.categorical_crossentropy(y_true, y_pred, from_logits=from_logits)

    def call(self, y_true, y_pred):
        loss = self.my_categorical_crossentropy_loss(y_true, y_pred)
        self.add_loss(loss, inputs=(y_true, y_pred))
        return loss

Но внутри модели keras я не могу понять, как получить y_true и y_pred текущей эпохи / пакета для моего слоя потерь. Поэтому я не могу добавить x = my_categorical_crossentropy_layer()[y_true, y_pred] в свою модель.

Есть ли способ сделать такой расчет переменных в модели keras?

Кроме того, может ли Керас пройти обучение предыдущей эпохи потеря или потеря стоимости во время тренировочного процесса? Я хочу использовать потерю тренировок предыдущей эпохи как свой вес в окончательной потере.

1 Ответ

1 голос
/ 07 августа 2020

это мое предложение ...

ваша задача двойной бинарной классификации, которую вы хотите решить, используя однократную подгонку. Первое, на что следует обратить внимание, это то, что вам нужно позаботиться о размерности: ваш ввод - 4d, а ваша цель - 2d с горячим кодированием, поэтому вашей сети нужно что-то для уменьшения размерности, например, сглаживание или глобальное объединение. после этого вы можете приступить к подгонке, создав единую модель с двумя входами и двумя выходами и используя два убытка. в вашем случае убытки взвешены categorical_crossentropy. keras по умолчанию позволяют устанавливать веса потерь с использованием параметров loss_weights. для воспроизведения формулы loss1*1+loss2*W установите веса на [1, W]. вы можете использовать параметр loss_weights, также указав различные потери для вывода таким образом losses=[loss1, loss2, ....], которые линейно комбинируются с весами, указанными в loss_weights

ниже рабочего примера 

input_shape = (28,28,3)
n_sample = 10

# create dummy data
X1 = np.random.uniform(0,1, (n_sample,)+input_shape) # 4d
X2 = np.random.uniform(0,1, (n_sample,)+input_shape) # 4d
y1 = tf.keras.utils.to_categorical(np.random.randint(0,2, n_sample)) # 2d
y2 = tf.keras.utils.to_categorical(np.random.randint(0,2, n_sample)) # 2d

def mymodel(input_shape, weight):

    img_input1 = Input(shape=(input_shape[0], input_shape[1], input_shape[2], ))
    img_input2 = Input(shape=(input_shape[0], input_shape[1], input_shape[2], )) 

    # for input1 
    x = Conv2D(32, (3, 3), strides=(2, 2))(img_input1)
    x = GlobalMaxPool2D()(x) # pass from 4d to 2d
    x = Dense(2, activation='softmax', name='predictions1')(x)

    # for input2 
    y = Conv2D(32, (3, 3), strides=(2, 2))(img_input2)
    y = GlobalMaxPool2D()(y) # pass from 4d to 2d
    y = Dense(2, activation='softmax', name='predictions2')(y)

    # Create model
    model = Model([img_input1,img_input2], [x,y])
    model.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'],
                  loss_weights=[1,weight])
    
    return model

weight = 0.3
model = mymodel(input_shape, weight)
model.summary()

model.fit([X1,X2], [y1,y2], epochs=2)
...