在 Keras 中实现批量依赖损失

Question

我在 Keras 中设置了一个自动编码器。我希望能够根据预定的“精度”向量对输入向量的特征进行加权。这个连续值向量与输入的长度相同，每个元素都在范围内[0, 1]，对应于对应输入元素的置信度，其中1为完全置信度，0为不置信度。

对于每个示例，我都有一个精度向量。

我已经定义了一个考虑到这个精度向量的损失。在这里，低置信度特征的重建被降低权重。

def MAEpw_wrapper(y_prec):

    def MAEpw(y_true, y_pred):

        return K.mean(K.square(y_prec * (y_pred - y_true)))

    return MAEpw

我的问题是精度张量y_prec取决于批次。我希望能够y_prec根据当前批次进行更新，以便每个精度向量与其观察正确关联。

我做了以下工作：

global y_prec

y_prec = K.variable(P[:32])

这P是一个包含所有精度向量的 numpy 数组，其索引对应于示例。我初始化y_prec为批量大小为 32 的正确形状。然后我定义以下内容DataGenerator：

class DataGenerator(Sequence):

    def __init__(self, batch_size, y, shuffle=True):

        self.batch_size = batch_size

        self.y = y

        self.shuffle = shuffle

        self.on_epoch_end()

    def on_epoch_end(self):

        self.indexes = np.arange(len(self.y))

        if self.shuffle == True:

            np.random.shuffle(self.indexes)

    def __len__(self):

        return int(np.floor(len(self.y) / self.batch_size))

    def __getitem__(self, index):

        indexes = self.indexes[index * self.batch_size: (index+1) * self.batch_size]

        # Set precision vector.

        global y_prec

        new_y_prec = K.variable(P[indexes])

        y_prec = K.update(y_prec, new_y_prec)

        # Get training examples.

        y = self.y[indexes]

        return y, y

在这里，我的目标是y_prec在生成批处理的同一函数中进行更新。这似乎正在y_prec按预期更新。然后我定义我的模型架构：

最后，我编译并运行：

model2.compile(optimizer='adam', loss=MAEpw_wrapper(y_prec))

model2.fit_generator(DataGenerator(32, digits.data), epochs=100)

哪里digits.data是一个 numpy 观察数组。

然而，这最终定义了单独的图形：

StopIteration: Tensor("Variable:0", shape=(32, 64), dtype=float32_ref) must be from the same graph as Tensor("Variable_4:0", shape=(32, 64), dtype=float32_ref).

我已经搜索了 SO 以解决我的问题，但我发现没有任何效果。任何有关如何正确执行此操作的帮助表示赞赏。