RNN（keras）的欧几里德距离损失函数

我想将欧几里得距离设置为LSTM或RNN的损失函数。RNN（keras）的欧几里德距离损失函数

这样的函数应该有什么输出：float，（batch_size）或（batch_size，timesteps）？

模型输入X_train是（n_samples，timesteps，data_dim）。 Y_train具有相同的尺寸。

示例代码：

def euc_dist_keras(x, y): 
    return K.sqrt(K.sum(K.square(x - y), axis=-1, keepdims=True)) 


model = Sequential() 
model.add(SimpleRNN(n_units, activation='relu', input_shape=(timesteps, data_dim), return_sequences=True)) 
model.add(Dense(n_output, activation='linear')) 

model.compile(loss=euc_dist_keras, optimizer='adagrad') 

model.fit(y_train, y_train, batch_size=512, epochs=10)

所以，我应该平均值时步维和/或损失的batch_size？

来源

2017-10-05 Katrina Malakhova

甲损耗函数将预测的和真实的标签和将输出一个标量，在Keras：

from keras import backend as K 
def euc_dist_keras(y_true, y_pred): 
    return K.sqrt(K.sum(K.square(y_true - y_pred), axis=-1, keepdims=True))

笔记，它不会采取X_train作为输入。损失计算遵循前向传播步骤，并且它的值提供了与真实标签相比预测标签的良好性。

这样的函数应该有什么输出：float，（batch_size）或者（batch_size，timesteps）？

损失函数应该有标量输出。

那么，我应该平均损失超过时间步长和/或batch_size？

这不会被要求能够使用欧几里德距离作为损失函数。

备注：就你而言，我认为问题可能是神经网络架构，而不是损失。给定(batch_size, timesteps, data_dim)SimpleRNN的输出将为(batch_size, timesteps, n_units)，并且Dense层的输出将为(batch_size, n_output)。因此，考虑到你的Y_train的形状为(batch_size, timesteps, data_dim)，你可能需要使用TimeDistributedwrapper，每个时间切片应用Dense，并调整完全连接层中隐藏单元的数量。

来源

2017-10-06 01:55:10

RNN（keras）的欧几里德距离损失函数

回答

相关问题