自定义丢失函数的实现

Question

我试图实现我自己的新损失函数。 当我试图调试它（或在其中打印）时，我注意到它在代码的模型创建部分仅被调用一次。

我怎么能知道什么y_pred和y_true包含（形状，数据等），如果我不能运行我的代码到这个功能，而拟合模型？

我写了这方面的损失函数：

def my_loss(y_true, y_pred): 
    # run over the sequence, jump by 3 
    # calc the label 
    # if the label incorrect punish 

    y_pred = K.reshape(y_pred, (1, 88, 3)) 

    y_pred = K.argmax(y_pred, axis=1) 

    zero_count = K.sum(K.clip(y_pred, 0, 0)) 
    one_count = K.sum(K.clip(y_pred, 1, 1)) 
    two_count = K.sum(K.clip(y_pred, 2, 2)) 

    zero_punish = 1 - zero_count/K.count_params(y_true) 
    one_punish = 1- one_count/ K.count_params(y_true) 
    two_punish = 1- two_count/ K.count_params(y_true) 

    false_arr = K.not_equal(y_true, y_pred) 

    mask0 = K.equal(y_true, K.zeros_like(y_pred)) 
    mask0_miss = K.dot(false_arr, mask0) * zero_punish 

    mask1 = K.equal(y_true, K.ones_like(y_pred)) 
    mask1_miss = K.dot(false_arr, mask1) * one_punish 

    mask2 = K.equal(y_true, K.zeros_like(y_pred)+2) 
    mask2_miss = K.dot(false_arr, mask2) * two_punish 

    return K.sum(mask0_miss) + K.sum(mask1_miss) + K.sum(mask2_miss) 

它未能于：

theano.gof.fg.MissingInputError: A variable that is an input to the graph was 
neither provided as an input to the function nor given a value. A chain of 
variables leading from this input to an output is [/dense_1_target, Shape.0]. 
This chain may not be unique 
Backtrace when the variable is created: 

我怎样才能解决呢？

Answer 1

你必须明白，Theano是一个象征性的语言。例如，当我们定义Keras下列损失函数：

def myLossFn(y_true, y_pred): 
    return K.mean(K.abs(y_pred - y_true), axis=-1) 

Theano只是在计算图形制作一个象征性的规则，当它到达当你与一些迷你训练模型值，即它会被处决批次。

至于如何调试你的模型去你的问题，你可以使用theano.function了点。现在，你想知道你的损失计算是否正确。你做以下。

你可以实现你的损失函数的蟒蛇/ numpy的版本。将两个随机向量传递给你的numpy-loss-function并得到一个数字。为了验证theano是否给出几乎相同的结果，请定义如下所示的内容。

import theano 
from theano import tensor as T 
from keras import backend as K 

Y_true = T.frow('Y_true') 
Y_pred = T.fcol('Y_pred') 
out = K.mean(K.abs(Y_pred - Y_true), axis=-1) 

f = theano.function([Y_true, Y_pred], out) 

# creating some values 
y_true = np.random.random((10,)) 
y_pred = np.random.random((10,)) 

numpy_loss_result = np.mean(np.abs(y_true-y_pred)) 
theano_loss_result = f(y_true, y_pred) 

# check if both are close enough 
print numpy_loss_result-theano_loss_result # should be less than 1e-5 

基本上，theano.function是把价值和评估这些象征性的表达方式。我希望这有帮助。