Keras 自定义损失函数中y_true的大小

Question

我正在尝试在Keras中为U-net编写一个自定义损失函数，其目的不仅是计算预测图像和真实图像的均方误差（MSE），还要计算其梯度的MSE。

我不确定这是否正常，但是在我的自定义损失函数中，即使从以下链接中，我也期望y_true的大小与y_pred相同，并且在我的情况下，它应该具有以下大小：（batch_size，128，256， 3).y_true

我已经列出了我为自定义损失函数编写的代码，如果有人能给出任何建议，我将不胜感激。

import tensorflow.keras.backend as K

# Encouraging the predicted image to match the label not only in image domain, but also in gradient domain

def keras_customized_loss(batch_size, lambda1 = 1.0, lambda2 = 0.05):

    def grad_x(image):

        out = K.zeros((batch_size,)+image.shape[1:4])

        out = K.abs(image[0:batch_size, 1:, :, :] - image[0:batch_size, :-1, :, :])

        return out

    def grad_y(image):

        out = K.zeros((batch_size,)+image.shape[1:4])

        out = K.abs(image[0:batch_size, :, 1:, :] - image[0:batch_size, :, :-1, :])

        return out

    #OBS: Now y_true has size: (None, None, None, None), figure out how to solve it

    def compute_loss(y_true, y_pred):

        pred_grad_x = grad_x(y_pred)

        pred_grad_y = grad_y(y_pred)

        true_grad_x = grad_x(y_true)

        true_grad_y = grad_y(y_true)

        loss1 = K.mean(K.square(y_pred-y_true)) 

        loss2 = K.mean(K.square(pred_grad_x-true_grad_x))

        loss3 = K.mean(K.square(pred_grad_y-true_grad_y))

        return (lambda1*loss1+lambda2*loss2+lambda2*loss3)

    return compute_loss

model.compile(optimizer='adam', loss = keras_customized_loss(BATCH_SIZE), metrics=['MeanAbsoluteError'])

Answer 1

None意味着它接受可变大小。因此，您的自定义损失可以非常灵活。实际大小自然是传递给 的数据批的大小。如果您的数据具有形状，则无需担心。fit(samples, 128,256,3)但是你的代码中有很多不必要的东西，你可以：def keras_customized_loss(lambda1 = 1.0, lambda2 = 0.05):    def grad_x(image):        return K.abs(image[:, 1:] - image[:, :-1])    def grad_y(image):        return K.abs(image[:, :, 1:] - image[:, :, :-1])    def compute_loss(y_true, y_pred):        pred_grad_x = grad_x(y_pred)        pred_grad_y = grad_y(y_pred)        true_grad_x = grad_x(y_true)        true_grad_y = grad_y(y_true)        loss1 = K.mean(K.square(y_pred-y_true))         loss2 = K.mean(K.square(pred_grad_x-true_grad_x))        loss3 = K.mean(K.square(pred_grad_y-true_grad_y))        return (lambda1*loss1+lambda2*loss2+lambda2*loss3)    return compute_loss