python-不使用keras后端库的自定义丢失函数
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了python-不使用keras后端库的自定义丢失函数,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含2058字,纯文字阅读大概需要3分钟。
内容图文
我将ML模型应用于实验设置,以优化驱动信号.驱动信号本身就是最优化的东西,但是其质量是间接评估的(将其应用于实验装置以产生不同的信号).
我可以通过python中的函数运行并从实验中收集数据.
我想使用自定义损失函数建立ML模型,该函数使用优化的信号调用实验驱动程序函数,以获取用于反向传播的误差.
我已经研究过使用keras,但是必须专门使用keras后端函数的限制意味着我无法在该函数中调用驱动程序函数.
我想知道是否可以在没有keras前端的情况下使用张量流以及是否有其他ML API允许这样做吗?
谢谢.
解决方法:
如果我理解了这个问题,那么您希望能够根据模型评估损失函数时运行的代码来产生损失.
这将是一个示例:
import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.layers import *
from tensorflow.keras.models import Model
from tensorflow.keras import backend as K
FACTORS = np.array([[0.5, 2.0, 4.0]])
def ext_function(inputs):
""" This can be an arbitrary python function of the inputs
inputs is a tf.EagerTensor which can be converted into a numpy array.
"""
r = np.dot(inputs, FACTORS.T)
return r
class LossFunction(object):
def __init__(self, model):
# Use model to obtain the inputs
self.model = model
def __call__(self, y_true, y_pred, sample_weight=None):
""" ignore y_true value from fit params and compute it instead using
ext_function
"""
y_true = tf.py_function(ext_function, [self.model.inputs[0]], Tout=tf.float32)
v = keras.losses.mean_squared_error(y_true, y_pred)
return K.mean(v)
def make_model():
inp = Input(shape=(3,))
out = Dense(1, use_bias=False)(inp)
model = Model(inp, out)
model.compile('adam', LossFunction(model))
return model
model = make_model()
model.summary()
测试:
import numpy as np
N_SAMPLES=100
X = np.random.rand(N_SAMPLES, 3)
Y_dummy = np.random.rand(N_SAMPLES)
history = model.fit(X, Y_dummy, epochs=1000, verbose=False)
print(history.history['loss'][-1])
它实际上做了一些事情:
model.layers[1].get_weights()
请注意,简单地生成正确的Y值作为输入会容易得多.我不完全知道您遇到的问题.但是,如果有可能,请尝试预生成Y.而不要使用上面的示例.
我使用上面的技巧创建了由类加权的自定义指标.即,在其中输入参数之一是类别并且期望损失函数是损失的每类别平均值的加权的情况下.
内容总结
以上是互联网集市为您收集整理的python-不使用keras后端库的自定义丢失函数全部内容,希望文章能够帮你解决python-不使用keras后端库的自定义丢失函数所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。