如何在訓練期間修改每個時期的損失函式內的變數？-有解無憂

我有一個自定義損失函式。在每個時代，我想隨機保留或丟棄我的輸入矩陣：

import random
from tensorflow.python.keras import backend
def decision(probability):
     return random.random() < probability

def my_throw_loss_in1(y_true, y_pred):
     if decision(probability=0.5):
         keep_mask = tf.ones_like(in1)
         total_loss = backend.mean(backend.square(y_true- y_pred)) * keep_mask
         print('Input1 is kept')
     else:
         throw_mask = tf.zeros_like(in1)
         total_loss =  backend.mean(backend.square(y_true- y_pred)) * throw_mask
         print('Input1 is thrown away')
     return total_loss


model.compile(loss= [ my_throw_loss_in1], 
          optimizer='Adam', 
          metrics=['mae'])

history2 = model.fit([x, y], batch_size=10, epochs=150, validation_split=0.2, shuffle=True)

但這只會設定決策值一次，并且不會編譯每個時期的損失。如何撰寫一個可以在每個時期修改其變數的損失函式？

這里有一些想法：

我的第一個猜測是撰寫一個回呼函式來將一個引數傳遞給損失函式，但到目前為止我還沒有成功，基本上我不清楚當我從回呼函式回傳一個值時，我該如何將該值傳遞給損失函式?

或者

另一種方法是在回呼中撰寫損失函式，但是我將什么作為引數傳遞給回呼？以及如何在回呼中使用損失函式編譯模型？

損失函式基于這篇文章。

uj5u.com熱心網友回復：

只需按如下方式更改您的損失函式，以便在fit(*)呼叫時對其進行評估：

def my_throw_loss_in1(y_true, y_pred):

  probability = 0.5
  random_uniform = tf.random.uniform(shape=[], minval=0., maxval=1., dtype=tf.float32)
  condition = tf.less(random_uniform, probability)
  mask = tf.cond(condition, lambda: tf.ones_like(y_true), lambda: tf.zeros_like(y_true))

  total_loss = tf.keras.backend.mean(tf.keras.backend.square(y_true - y_pred)* mask) 
  tf.print(mask)
  return total_loss

首先生成一個亂數，然后根據這個數字創建一個條件（小于你定義的概率的亂數）。之后，如果您的條件是，則您只需使用tf.condreturn ，否則。最后，面具只是簡單地應用于你的損失。tf.ones_likeTruetf.zeros_like

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/337536.html

標籤：Python 张量流凯拉斯损失函数

上一篇：Tensorflow綠移影像

下一篇：np.array創建形狀與原始形狀不同