Керасы применяют разный вес к разным ошибкам классификации - PullRequest
Новая
       56

Керасы применяют разный вес к разным ошибкам классификации

1 голос
/ 21 июня 2019

Я пытаюсь реализовать задачу классификации с тремя классами: «A», «B» и «C», где я хотел бы включить штраф за неправильный классификация различных типов в моей функции потерь модели (вроде как взвешенный крест энтропия). Вес класса не подходит, поскольку он применим ко всем данным, которые принадлежат классу. Например, истинная метка «B», ошибочно классифицированная как «C», должна иметь более высокие потери по сравнению с ошибкой, классифицированной как «A». Таблица весов следующим образом: 

   A  B  C  
A  1  1  1  
B  1  1  1.2 
C  1  1  1

В текущей потере категорийной кросентропии, для истинного класса 'B', если у меня прогнозирование softmax равно 

0.5 0.4 0.1  vs 0.1 0.4 0.5

category_crossentropy будет таким же. Не имеет значения, если 'B' классифицируется как A или C. Я хочу увеличить потерю второго мягкого прогноза по сравнению с первым.

Я пробовал https://github.com/keras-team/keras/issues/2115, но ни один из кодов не работает для Keras v2. Буду очень признателен за любую помощь, в которой я могу напрямую применить матрицу весов к функции потери Keras.

1 Ответ

0 голосов
/ 23 июня 2019

Вы можете изменить функцию потерь на то, что умножает значения потерь на соответствующие веса в вашей матрице.

Итак, в качестве примера рассмотрим пример тензорного потока mnist : 

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

, если мы хотим изменить это, чтобы взвесить потери на основе следующей матрицы: 

weights  = tf.constant([
       [1., 1.2, 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1.2, 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 10.9, 1.2, 1., 1., 1., 1., 1., 1.],
       [1., 0.9, 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1.],
       [1., 1., 1., 1., 1., 1., 1., 1., 1., 1.]])

тогда мы можем обернуть существующий sparse_categorical_crossentropy в новую пользовательскую функцию потерь, которая умножает потери на соответствующий вес. Примерно так: 

def custom_loss(y_true, y_pred):
  # get the prediction from the final softmax layer:
  pred_idx = tf.argmax(y_pred, axis=1, output_type=tf.int32)

  # stack these so we have a tensor of [[predicted_i, actual_i], ...,] for each i in batch
  indices = tf.stack([tf.reshape(pred_idx, (-1,)), 
                       tf.reshape(tf.cast( y_true, tf.int32), (-1,))
                     ], axis=1)

  # use tf.gather_nd() to convert indices to the appropriate weight from our matrix [w_i, ...] for each i in batch
  batch_weights = tf.gather_nd(weights, indices)


  return batch_weights * tf.keras.losses.sparse_categorical_crossentropy(y_true, y_pred)

Затем мы можем использовать эту новую пользовательскую функцию потерь в модели: 

model.compile(optimizer='adam',
              loss=custom_loss,
              metrics=['accuracy'])
...