keras 中的自定义二元交叉熵损失，忽略没有非零值的列

Question

我正在尝试在标签可能非常稀疏的地方分割数据。因此，我只想计算至少具有一个非零值的列中的梯度。

我已经尝试了一些方法，其中我应用了一个额外的输入，即这些非零列的掩码，但鉴于所有必要的信息已经包含在 中y_true，只查看y_true查找掩码的方法肯定会更可取。

如果我用 numpy 实现它，它可能看起来像这样：

def loss(y_true, y_pred):
    indices = np.where(np.sum(y_true, axis=1) > 0)
        return binary_crossentropy(y_true[indices], y_pred[indices])

y_truey_pred在这个例子中是矢量化的 2D 图像。

如何将其“转化”为可微分的 Keras 损失函数？

Answer 1

使用tf- 兼容的操作，通过tf和keras.backend：import tensorflow as tfimport keras.backend as Kfrom keras.losses import binary_crossentropydef custom_loss(y_true, y_pred):    indices = K.squeeze(tf.where(K.sum(y_true, axis=1) > 0))    y_true_sparse = K.cast(K.gather(y_true, indices), dtype='float32')    y_pred_sparse = K.cast(K.gather(y_pred, indices), dtype='float32')    return binary_crossentropy(y_true_sparse, y_pred_sparse) # returns a tensor我不确定您的问题的确切维度规格，但损失必须评估为单个值 - 上面没有，因为您正在传递多维预测和标签。要减少暗淡，请用 eg 包裹上面的 return K.mean。例子：y_true = np.random.randint(0,2,(10,2))y_pred = np.abs(np.random.randn(10,2))y_pred /= np.max(y_pred) # scale between 0 and 1print(K.get_value(custom_loss(y_true, y_pred))) # get_value evaluates returned tensorprint(K.get_value(K.mean(custom_loss(y_true, y_pred))>> [1.1489482  1.2705883  0.76229745  5.101402  3.1309896] # sparse; 5 / 10 results>> 2.28284 # single value, as required（最后，请注意，这种稀疏性会通过从总标签/预测计数中排除全零列来偏置损失；如果不希望，您可以通过K.sumand K.shapeor进行平均K.size）