如何在tf-keras中定义多输出的自定义损失函数？
在tf-keras中定义多输出的自定义损失函数可以通过以下步骤实现：
- 首先，导入所需的库和模块：
import tensorflow as tf
from tensorflow import keras- 创建自定义损失函数。可以使用
tf.keras.losses.Loss类来定义自己的损失函数。例如，我们可以定义一个多输出的自定义损失函数multi_output_loss：
class MultiOutputLoss(tf.keras.losses.Loss):
def __init__(self, alpha=0.5, beta=0.5):
super(MultiOutputLoss, self).__init__()
self.alpha = alpha
self.beta = beta
def call(self, y_true, y_pred):
loss1 = tf.reduce_mean(tf.square(y_true[:, 0] - y_pred[:, 0]))
loss2 = tf.reduce_mean(tf.square(y_true[:, 1] - y_pred[:, 1]))
total_loss = self.alpha * loss1 + self.beta * loss2
return total_loss在上述代码中，alpha和beta是用于权衡两个输出的损失函数的权重。
- 创建模型并编译。在创建模型时，可以将自定义损失函数作为参数传递给
compile方法：
model = tf.keras.models.Sequential()
# 添加模型层
# ...
model.compile(optimizer='adam', loss=MultiOutputLoss(alpha=0.5, beta=0.5))在上述代码中，我们将自定义损失函数MultiOutputLoss作为loss参数传递给compile方法。
- 训练模型。使用训练数据和标签来训练模型：
model.fit(x_train, y_train, epochs=10, batch_size=32)通过以上步骤，我们可以在tf-keras中定义多输出的自定义损失函数，并将其应用于模型训练过程中。
注意：以上代码仅为示例，实际使用时需要根据具体的多输出任务和模型结构进行相应的修改。
相关·内容
1回答
我需要SSIM作为我的网络中的一个损失函数，但我的网络有两个输出。我需要使用SSIM进行第一次输出，使用cross-entropy进行下一次输出。损失函数是它们的组合。然而，我需要更高的SSIM和更低的cross-entropy，所以我认为它们的组合是不正确的。另一个问题是我在keras中找不到SSIM的实现。 Tensorflow有tf.image.ssim，但它接受图像，我不认为我可以在损失函数中使用它，对吧？你能告诉我我该怎么做吗？我是keras和深度学习的初学者，我不知道如何将SSIM作为keras中的自定义损失函数。
浏览 50提问于2019-04-10得票数 3
1回答
我用Python生成了一个使用sklearn的决策树分类器，该分类器在准确性方面运行良好。我用线性规划的最优解训练分类器，它将项目的最优分配返回给类，同时考虑全局成本约束(即将项目1分配给A类，代价为x。所有项目和类的总结果成本需要小于y值)。
在使用分类器对所有项目进行重新分类后，虽然分类精度是可以接受的，但在大多数分类运行过程中都违反了全局成本约束。当然，因为python中sklearn中的标准决策树不考虑约束。
是否有方法将classification？之后的全局约束合并为？在下一次作业选择时，是否有办法强迫树考虑所有已经分类的项目？我认为这需要建立某种成本或惩罚函数，以便在树的分类过程
浏览 1提问于2019-01-19得票数 2
回答已采纳
1回答
Convnet序回归损失函数
、、、、
目前，我正在尝试使用训练在Imagenet上的Densenet传输学习，以输出序数整数值{2 <3<4<5< 6}。我将目标变量编码成长度为4的二进制向量(例如，1,0,0,0,1,1,0,0，等等)使用。下面是我的模型的架构：
base_model = DenseNet121(include_top=False, weights="imagenet", classes=5, input_shape=(224,224,3))
base_model.trainable = False
x = base_model.output
x = GlobalAver
浏览 1提问于2020-02-09得票数 3
2回答
我有一个培训数据：
而且，我在Keras中有一个模型，它具有多个维度的输出。我想预测A，B和C：
model = Sequential()
model.add(GRU(32, input_shape=(train_X.shape[1], train_X.shape[2])))
model.add(Dense(3))
model.compile(loss='mean_squared_error', optimizer='adam')
但是我想要A中的最小mean_squared_error，也就是只考虑损失函数的A。
我能做什么？
浏览 0提问于2018-11-03得票数 0
回答已采纳
我想要计算一个损失函数，它在不同的输入上两次使用网络的输出。例如，假设，
first_output = model(first_input)
second_output = model(second_input)
loss = mean_absolute_error(first_output, second_output)
如何在tensorflow或keras中实现这一点？
浏览 0提问于2019-01-28得票数 2
1回答
我在文档中找不到信息，所以我在这里询问。
我有一个具有3种不同输出的多输出模型：
model = tf.keras.Model(inputs=[input], outputs=[output1, output2, output3])
用于验证的预测标签是从这3个输出构造成的，只有一个，这是一个后处理步骤。用于培训的数据集是这3种中间输出的数据集，为了验证，我在标签数据集上进行评估，而不是3种中间数据。
我想使用一个自定义的度量来评估我的模型，它处理后处理并与实际真相进行比较。
我的问题是，在自定义度量的代码中，y_pred会是模型的三个输出的列表吗？
class MyCustomMetric(
浏览 0提问于2020-01-29得票数 5
回答已采纳
我目前正在学习用tensorflow制作神经网络。该库提供了一种非常方便的方法来使用本教程中的估计器DNNClassifier创建一个估计器：。
然而，在进行预测之前，我不知道如何选择输出层的最终treshold：
例如，假设我们有一个介于'KO‘和'OK’之间的二进制分类器。神经网络的末端计算特定样本(例如 )的每种可能性的概率。我假设dnn的默认阈值是0.5，所以它会在这里回答'OK‘。但我想将这个阈值更改为0.8，这样如果dnn不确定'OK‘的80%，它将回答'KO’(为了调整FP-rate和FN-rate)。我们如何做到这一点？
提前感谢您的帮助
浏览 12提问于2018-02-09得票数 0
回答已采纳
1回答
我有一个自动编码器模型的，具有多个输出和加权，这是一个想要丰富变成一个变分的自动编码器。我遵循了以下内容：官方keras教程。
但是，如果手动调整train_step函数，我就失去了最初实现的大部分细节：
我得到了两个加权优化目标:重新构造(解码器)和分类(softmax)。
分类的准确性度量
原始的fit方法还负责验证数据和相应的度量。
根据keras链路添加建议的采样层是没有问题的，但是要正确地实现Kullback-Leibler-Loss，因为它依赖于不受标准Keras损失支持的附加参数z_mu和z_log_var。
我寻找一些解决这一问题的解决办法，但没有一个是成功
浏览 3提问于2020-10-06得票数 2
我正在尝试在Keras中实现一个自动编码器，它不仅可以最小化重建误差，而且它的构造特征也应该最大化我定义的度量。我真的不知道该怎么做。
下面是我目前掌握的一些代码片段：
corrupt_data = self._corrupt(self.data, 0.1)
# define encoder-decoder network structure
# create input layer
input_layer = Input(shape=(corrupt_data.shape[1], ))
encoded = Dense(self.encoding_dim, activation = "
浏览 7提问于2018-08-21得票数 2
回答已采纳
我现在有一个多输出模型
model=Model(inputs=x1, outputs=[y1,y2])
model.compile((optimizer='sgd', loss=[cutom_loss,'mse'])
这里的y_pred和y_true值是mse损失函数的多少？y_true for mse是什么；它是y2的输出，还是y1和y2的输出？
在我的custom_loss中，我需要从两个输出中传递y_true和y_pred，以便计算。
def custom_loss(y1_true, y1_pred,y2_true, y2_pred):
我该怎么做？
浏览 1提问于2018-01-21得票数 3
因此，我正在尝试使用Keras (Tensorflow后端)中的Lambda层实现一个自定义函数。
我想把输入张量转换成numpy数组来执行我的功能。但是，我不能运行tensor.eval()，因为它抛出了一个错误：
InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'input_1' with dtype float and shape [?,960,960,1]
这是我的代码：
def tensor2np(tensor):
retu
浏览 0提问于2018-03-30得票数 1
1回答
我正在处理一个多类分类问题，使用Keras序列模型。在我的数据集中，输出类有以下值之一：(1, 2, 3, 4, 5)。
是的，我已经尝试过对输出进行一次热编码，并在输出层使用categorical_crossentropy作为丢失函数和softmax。
然而，在我的案例中，我并不认为软件最大和绝对交叉熵是正确的选择。在我的数据集中，输出类具有一定的“离散性”(或比例)。类1是“最差的”，而类5是“最好的”。
假设在特定的输入上，模型预测2，而真正的类是1，这是一个更好的预测，因为当模型预测类5时，真正的类是1。
我希望损失函数考虑到这些“小错误”，而不是以同样的方式对待所有错误。
总之，我想
浏览 2提问于2020-03-07得票数 1
2回答
我熟悉Keras，在Keras中，我们需要根据需要在输出层中添加激活函数，但是在学习Tensorflow时，我发现输出层没有添加激活函数。
有人能解释一下这背后的原因吗。
浏览 4提问于2019-03-11得票数 0
回答已采纳
2回答
我正在研究多标签问题，即输出可以预测一个或多个标签作为输出，因此培训数据也有多个标签。
不知何故，我无法描绘出这样的ML模型训练。请提供以下问题的答案：
对于这类问题，损失是如何计算的？
ML模型是如何预测的？
我找到了一个旧线程多标签旧查询，但我还是无法理解解决方案。
浏览 0提问于2020-03-04得票数 0
2回答
我想问一下，是否可以使用Scala在Spark中为多类分类编写一个自定义损失函数。我想用Scala编写代码。我搜索了Spark文档，但没有得到任何提示。
浏览 0提问于2019-07-27得票数 1
我有一个具有多个输出的模型，如：
model_in = Input((None, None, 3))
out_1 = Dense(10)(model_in)
out_2 = Dense(20)(model_in)
model = keras.Model(model_in, [out_1, out_2])
model.compile('adam', loss = [loss_fn_1, loss_fn_2])
对于每个训练样本，我都有一个掩码，应该在我的自定义丢失函数中使用(实际上，我的数据生成器根据输入样本生成这个掩码)。因此，对于每个样本，我有一个输入，两个输出和一个掩码，
浏览 1提问于2021-01-08得票数 0
回答已采纳
我已经训练了CNN的转向角预测与回归输出。我还训练CNN进行分类(两个班:道路，无路)。但我想把它结合起来。该怎么做呢？培养一种新的模式并不是问题。
浏览 2提问于2019-04-17得票数 0
回答已采纳
2回答
例如，假设一个具有五个标量作为输出的回归问题，其中每个输出具有大致相同的范围。在Keras中，我们可以使用没有激活函数的5输出密集层(向量回归)对此进行建模：
output_layer = layers.Dense(5, activation=None)(previous_layer)
model = models.Model(input_layer, output_layer)
model.compile(optimizer='rmsprop', loss='mse', metrics=['mse'])
总损失(指标)仅仅是单个损失(指标)的总
浏览 0提问于2018-08-06得票数 1
1回答
有几种“经典”的方法来量化(任何！)回归模型如RMSE、MSE、解释方差、r2等。
然而，这些指标并没有将“成本”考虑在内，例如，对我来说，低估一个值(实值: 0.5，预测值为0.4)比过度预测值(真实值: 0.5，预测值: 0.6)更糟糕。
我如何将这样的成本建模成一个评估函数？我只需要一个第一个想法，并将欢迎任何建议。
浏览 0提问于2017-11-20得票数 0
回答已采纳
我已经有了一个可以进行二进制分类的网络。现在，我想将其扩展到多标签分类网络。我已经修改了模型(使用'sigmoid‘作为输出层激活函数，并使用'binary_crossentropy’loss)。但是，我想知道如何修改DataGenerator函数，使其能够提供多标签输出？
例如，原始的DataGenerator函数为：
def __data_generation(self, list_IDs_temp):
'Generates data containing batch_size samples'
# Initializ
浏览 0提问于2020-06-07得票数 0
2回答
Keras中的自定义损失函数
、、、、
我正在研究一种图像类增量分类器方法，使用CNN作为特征提取器，并使用完全连接的块进行分类。
首先，我对一个经过训练的VGG网络进行了微调，以完成一项新任务。一旦网络针对新任务进行了训练，我会为每个类存储一些示例，以避免忘记何时有新的类可用。
当一些类可用时，我必须计算包括新类的样例在内的样例的每一个输出。现在将零添加到旧类的输出，并在新类输出上添加对应于每个新类的标签，我有了新标签，即:如果3个新类进入...
旧类类型输出：[0.1, 0.05, 0.79, ..., 0 0 0]
新的类类型输出：[0.1, 0.09, 0.3, 0.4, ..., 1 0 0] **最后的输出对应于类。
我
浏览 2提问于2017-05-06得票数 53
回答已采纳
我目前正在做一个用tensorflow和keras实现的神经网络，我需要做的是调用一个我不能重新实现的函数，它在numpy数组上工作，而不是在张量上工作，我的第一个想法是像这样调用.numpy
def loss_gi(y_true, y_pred): # <class 'tensorflow.python.framework.ops.Tensor'>
x = gamma(np.squeeze(y_true.numpy() , axis=0), np.squeeze(y_pred.numpy() , axis=0))
return np.nansum(x)
浏览 3提问于2020-11-12得票数 0
我想在Keras中修改verbose的显示信息。这是原始版本： model.fit(train, train_label,
batch_size=32,
epochs=100,
verbose=1,
validation_data=(test, test_label))
Epoch 1/2
104/104 [==============================] - 72s 456us/step - loss: 0.2823 - acc:
0.8511 - val_loss: 0.2933 - val
浏览 14提问于2020-03-25得票数 0
我一直在寻求学习TensorFlow，我注意到不同的函数用于相同的目标。例如，为了求一个变量的平方，我见过tf.square()、tf.math.square()和tf.keras.backend.square()。这对于大多数数学运算来说都是一样的。这些都是相同的，还是有什么不同？
浏览 148提问于2021-02-13得票数 2
1回答
我在PyTorch中有一个多输出模型，当我使用相同的损失训练它们，然后反向传播时，我合并了两个输出的损失，但当一个输出损失减少时，其他输出损失增加，以此类推。我如何解决这个问题？ def forward(self, x):
#neural network arch. forward pass
x = dense1(x)
x1 = dense2(x)
x2 = dense2(x)
x1 = F.log_softmax(x1)
x2 = F.log_softmax(x2)
return x1, x2
out1, out2 = model
浏览 21提问于2019-07-02得票数 3
我需要通过metice smape_final选择最好的模型。为此，我编写了一个函数： def smape(A, F):
return 100/len(A) * np.sum(2 * np.abs(F - A) / (np.abs(A) + np.abs(F))) 我稍后会用到： parameters = {'max_depth':range(1,30,1), 'n_estimators':range(10,51,10)}
rgr_rand_frst = RandomizedSearchCV(RandomForestRegressor(random_s
浏览 33提问于2021-10-01得票数 1
我的理解是，keras需要损失函数才能具有签名： def custom_loss(y_true, y_pred): 我正在尝试使用sklearn.metrics.cohen_kappa_score，它需要(y1，y2，labels=None，weights=None，sample_weight=None)` 如果我按原样使用它： model.compile(loss=metrics.cohen_kappa_score,
optimizer='adam', metrics=['accuracy']) 则不会设置weights。我想将其
浏览 57提问于2019-02-23得票数 4
回答已采纳
1回答
嵌入数字类别
、、、、
我有一个普通的LSTM模型，它通过输出6个类别的概率分布来对输入数据进行分类。没什么太疯狂的。
现在，模型起作用了，给了我一个输出，我取最大值对我的输入进行分类。然而，我认为我们可以做得更多。
查看LSTM输出的概率分布对我来说非常有用，而不是实际的类别；如下所示
[ 0.0528042 , 0.11904617, 0.27744624, 0.37874526, 0.13942425,
0.03253399]
因为这些信息可以告诉我第二个最佳猜测，第三个，等等，以及LSTM将其标记为某个类别的置信度是多少。
有趣的是，我的类别是非常相关的；比如说，如果类别1和2对应于
浏览 8提问于2017-08-04得票数 0
回答已采纳
我需要使用生成器(因为数据集太大)来将训练数据和目标输出到CNN进行训练。然而，每个数据样本都是标准化的(/maxVal)，我需要在损失函数之前对其进行反标准化/反标准化。我不知道如何从生成器中同时输出这些辅助数据作为一批(X，Y)？
它与非常相似：
import numpy as np
import cv2
from tensorflow.keras.utils import Sequence
class DataGenerator(Sequence):
"""Generates data for Keras
Sequence based data
浏览 0提问于2020-03-05得票数 0
我想用Keras进行多元泊松回归。换句话说，我希望最大化输出向量(i)中每个元素的Product[P(y_true[i] | y_pred[i])]。在这种情况下，P将表示泊松pmf。
我相信我可以用一个自定义的损失函数来做到这一点。然而，事实证明，如何使用keras.backend中的可用函数实现此损失函数是一项挑战。
特别是，我找不到一种在一维张量上实现元素阶乘的方法，这是计算泊松pmf所必需的。
有没有人对如何做到这一点有什么建议？或者即使它是可以做到的？
浏览 1提问于2018-10-17得票数 2
我想开发一个有三个输入pos，anc，neg和三个输出pos_out，anc_out，neg_out的神经网络。当我在keras中的自定义损失函数中计算损失时，我想在y_pred中访问pos_out，anc_out，neg_out。我可以作为一个整体访问y_pred。而是如何访问单个部件pos_out、anc_out和neg_out
我已经将最大值函数应用于y_pred。它可以正确地计算最大值。如果我只在模型中传递一个输出作为模型(input=pos，anc，neg，output=pos_out)，那么它也会正确地计算最大值。但是，当在自定义函数中分别访问pos_out、anc_out和neg
浏览 16提问于2019-07-07得票数 0
在keras的所有代码示例中，我看到输入形状是直接传递的，并且推测批处理大小是第一个，例如：
model = Sequential()
model.add(Dense(32, input_shape=(16,)))
# now the model will take as input arrays of shape (*, 16)
# and output arrays of shape (*, 32)
但是，当涉及到自定义损失时，我看到使用了最后一个轴(轴=-1)。
def loss(y_true,y_pred):
return K.mean(K.square(y_pred
浏览 0提问于2019-11-30得票数 1
1回答
我应用了transformer模型，并将padding_mask + look_a_head_mask应用到了注意力层。但是掩码不会传播到输出。在计算损失时，有没有办法应用padding_mask？
浏览 15提问于2020-12-21得票数 0
我是tensorflow的新手。我想写我自己的自定义丢失函数。有关于这个的教程吗？例如，铰链丢失或sum_of_square_loss(虽然这已经在tf中)？我可以直接在python中这样做，或者我必须编写cpp代码吗？
浏览 10提问于2016-01-19得票数 45
回答已采纳
1回答
如何在scikit learn中自定义损失函数？例如，我不想使用均方误差，而是使用MSE乘以样本的真实值。我使用了以下代码片段： def my_custom_loss_func(y_true,y_pred):
diff3=(abs(y_true-y_pred))*y_true
return diff3
clf=RandomForestRegressor(criterion=my_custom_loss_func)
knn=clf.fit(feam,labm) 我得到以下错误： KeyError: <function my_custom_loss_func at 0x0
浏览 67提问于2019-01-19得票数 0
我希望使用make_scorer函数编写自定义评分函数，其中custom_function(y_true, y_pred)计算y_true和y_pred的每日和乘积并输出，例如平均值。问题是时间戳在我的X矩阵中作为一个特性可用，并且我无法访问当前文件夹的索引。
有没有人知道如何让这一切成为可能？
浏览 0提问于2020-10-09得票数 2
2回答
在此代码中，我想将网络的输出扩展为两个输出 # Model architecture
input = Input(shape = (max_len,))
model = Embedding(input_dim = len(words) + 2, output_dim = embedding, input_length = max_len, mask_zero = True)(input)
model = Bidirectional(LSTM(units = 50, return_sequences=True, recurrent_dropout=0.1))(model)
mo
浏览 38提问于2020-03-18得票数 2
1回答
我有一个正在工作的CNN-LSTM模型试图预测视频中人体部位的关键点。
目前，我有四个关键点作为标签右手，左手，头部和骨盆。问题是，在某些框架上，我看不到要标记的人的四个部分，因此默认情况下，我将这些值设置为(0,0) (这是一个空坐标)。
我面临的问题是，模型考虑到了这些要点，并试图在连续的过程中对它们进行倒退。
因此，我删除了(0,0)点的损失计算和梯度反向传播，它工作得更好。
问题是，这四个点仍然是预测的，所以我试图知道如何使它预测一个可变数目的关键点。
我想添加第三个参数(它是可见的吗?)，但它可能会增加一些复杂性，并放松模型。
浏览 9提问于2022-08-23得票数 1
我的代码是这样的：
labels = Input(name='the_labels', shape=[1], dtype='float32')
input_length = Input(name='input_length', shape=[1], dtype='int64')
label_length = Input(name='label_length', shape=[1], dtype='int64')
loss_out = Lambda(ctc_lambda_func, output_s
浏览 4提问于2017-07-08得票数 2
1回答
我需要将图片分为两类:批准和拒绝。被拒绝的类别有不同类型的图像是不允许的(子类别)，例如裸体、血腥或动画等。
在训练CNN方面，有什么方法会更好，或者他们对CNN来说是平等的：
有两个类别(神经元)的输出最终层-批准和拒绝
最后一层有很多神经元，每个“子类别”都有一个神经元(并给神经网络以相应的标签)，然后在进行实际推理时，只需手动将它们聚合到被拒绝的类别？
我不确定使用CNN的第一种方法是否能很容易地将或操作应用于这样一个不同的子类别，因此这种培训将是有效的。只是觉得多类别的方法对神经网络来说更容易。它背后有什么被认可的科学吗？
浏览 0提问于2019-05-24得票数 1
我正在尝试用pytorch来“复制”，而且我还是个新手。我现在关心的是复制L_G (等式)。7第3页)，下面是我当前的代码：
class JSDLoss(nn.Module):
def __init__(self):
super(JSDLoss,self).__init__()
def forward(self, batch_size, f_real, f_synt):
assert f_real.size()[1] == f_synt.size()[1]
f_num_features = f_real.size()[1]
浏览 4提问于2017-12-13得票数 3
我正在研究tensorflow.keras中的一个不平衡的分类问题。我决定按照this answer on cross validated的建议计算“几何平均分”。我在一个名为imbalanced-learn的包中发现了一个implementation of it，并意识到它不能用作tensorflow.keras.Model.compile(metrics=[])中的指标之一；而且由于我还希望在每次调用时都向它传递一个参数，所以我决定自己实现一个自定义指标并使用它。但是我在测试过程中遇到了一个错误，那就是： AttributeError: 'GeometricMeanScore&#
浏览 17提问于2020-07-22得票数 2
3回答
我在Keras中使用的是多输出模型
model1 = Model(input=x, output=[y2, y3])
model1.compile((optimizer='sgd', loss=cutom_loss_function)
我的custom_loss函数是
def custom_loss(y_true, y_pred):
y2_pred = y_pred[0]
y2_true = y_true[0]
loss = K.mean(K.square(y2_true - y2_pred), axis=-1)
return loss
我只想在输出
浏览 4提问于2017-05-25得票数 27
回答已采纳
我想知道如何在Keras的二进制或多类分类器中为损失函数添加自定义权重。我使用binary_crossentropy或sparse_categorical_crossentropy作为基线，我希望能够选择为每个类提供错误预测的权重。
浏览 0提问于2019-03-18得票数 2
当我在Tensorflow的网站上看到时，我发现了两种自定义损失的方法。第一个是定义一个损失函数，就像：
def basic_loss_function(y_true, y_pred):
return tf.math.reduce_mean(tf.abs(y_true - y_pred))
为了简单起见，我们假设批处理的大小也是1，所以y_true和y_pred的形状都是(1，c)，其中c是类的数目。在这种方法中，我们给出了两个向量y_true和y_pred，并返回一个值(Scala)。
然后，第二个方法是子类tf.keras.losses.Loss类，指南中的代码是：
class W
浏览 4提问于2020-05-14得票数 4
1回答
我在keras中实现了一个自定义的损失函数。该模型是一个autoencoder。第一层是嵌入层，它将大小为(batch_size, sentence_length)的输入嵌入到(batch_size, sentence_length, embedding_dimension)中。然后，该模型将嵌入压缩到某个维度的向量中，最后必须重建嵌入的(batch_size, sentence_lenght, embedding_dimension)。
但是嵌入层是可训练的，并且损失必须使用嵌入层的权重(我必须对我的词汇表的所有单词嵌入求和)。
例如，如果我想训练玩具的例子：“猫”。sentence_len
浏览 1提问于2017-11-17得票数 6
1回答
我有点困惑KL发散是如何应用的，特别是在Keras中，但我认为这个问题对于深度学习应用来说是一个普遍的问题。在keras中，KL损失函数定义如下：
def kullback_leibler_divergence(y_true, y_pred):
y_true = K.clip(y_true, K.epsilon(), 1)
y_pred = K.clip(y_pred, K.epsilon(), 1)
return K.sum(y_true * K.log(y_true / y_pred), axis=-1)
在我的模型中，y_true和y_pred是矩阵；每一行y_t
浏览 0提问于2017-06-05得票数 7
回答已采纳
1回答
我刚刚开始使用Keras来训练一个简单的DNN，并且在设置我的自定义丢失函数方面遇到了困难，下面是模型的代码：
X_train = train_dataframe.to_numpy()[:, 0:4]
Y_train = train_dataframe.to_numpy()[:, 4]
model = Sequential()
model.add(Dense(1000, input_shape=(4,), activation='relu'))
model.add(Dense(1000, activation='relu'))
model.add(Dense(
浏览 6提问于2020-10-06得票数 0
回答已采纳
我正在尝试使用输出公交路线的RNN模型，其输入是需求矩阵。然后在模拟中使用公交车路线，该模拟给出了路线执行情况的度量。问题是，由于公交路线没有目标值，我如何反向传播模拟结果？
要用简单的python代码来解释这个问题：
"""
The model is an RNN that takes 400,24,24 matrix as input
dimension 0 represents time, dimension 1 represents departure bus stop and dimension 2 represents the arrival bus st
浏览 0提问于2019-11-04得票数 0
我在使用GPU和TPU的google colab训练中遇到了一个相当奇怪的问题，我使用了一个自定义损失，它可以在GPU上使用tfrecord数据集，但如果我切换到TPU，就会给出nan作为验证损失。没有其他特定的错误。此外，较旧的验证tfrecord数据集在TPU上运行良好。这让我觉得数据中可能有一些特定的东西。这显示在model.evaluate上(...)也是因为它在验证集上。 你知道怎么用TPU来调试这个吗？如有需要，可提供更多详情。
浏览 31提问于2020-09-27得票数 1
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
云直播活动推荐
腾讯云开发者
