python - Keras/theano 中的最大利润损失

Question

我想在 Keras 中训练一个神经网络(以 theano 作为后端)，使用每个正样本一个负样本的最大间隔损失函数:

 max(0,1 -pos_score +neg_score)

我有一个神经网络，它接受两个参数 i 和 j 并返回分数 base(i,j)。对于给定的 i，我有一个正样本 j 和一个负样本 k。所以，我想计算以下内容:

 max(0, 1 - base(i, j) + base(i, k))

在抽象层面上，我的代码如下所示:

i = Input(...) # d=100
j = Input(...) # d=300
k = Input(...) # d=300

i_vec = Sequential()
i_vec.add(Dense(20, input_dim=100))
j_vec = Sequential()
j_vec.add(Dense(30, input_dim=300))

base = Sequential()
base.add(Merge([i_vec, j_vec], mode='concat')
# Here goes definition of the base network
base.add(Dense(output_dim=1, bias=False))

pos = base([i, j])
neg = base([i, k])

def custom_loss(y_true, y_pred):
    return K.maximum(0, 1 - y_pred[0] + y_pred[1])

model = Model(input=[i,j,k], output=[pos, neg])
# Shape of I=(1000,100), J and K=(1000,300), XX=(1000,)
model.fit([I, J, K], [XX,XX], nb_epoch=10)

请注意，XX 在训练期间没有用。

在运行代码时，出现以下错误:

ValueError: GpuElemwise. Output dimension mismatch. Output 0 (indices start at 0), working inplace on input 0, has shape[0] == 1, but the output's size on that axis is 32.
Apply node that caused the error: GpuElemwise{Composite{(i0 * (i1 * i2))}}[(0, 0)](GpuElemwise{Composite{Cast{float32}(EQ(i0, i1))}}[(0, 0)].0, GpuElemwise{Composite{(i0 / (i1 * i2))}}[(0, 0)].0, GpuFromHost.0)
Toposort index: 83
Inputs types: [CudaNdarrayType(float32, vector), CudaNdarrayType(float32, (True,)), CudaNdarrayType(float32, vector)]
Inputs shapes: [(1,), (1,), (32,)]
Inputs strides: [(0,), (0,), (1,)]
Inputs values: [CudaNdarray([ 1.]), CudaNdarray([ 1.]), 'not shown']
Outputs clients: [[GpuIncSubtensor{InplaceInc;int64}(GpuIncSubtensor{Inc;int64}.0, GpuElemwise{Composite{(i0 * (i1 * i2))}}[(0, 0)].0, Constant{1}), GpuElemwise{neg,no_inplace}(GpuElemwise{Composite{(i0 * (i1 * i2))}}[(0, 0)].0)]]

我认为问题出在损失函数的计算上。

注意:我已经尝试使用 XX 作为原始向量和列向量。但是，错误仍然存​​在。

TensorFlow 作为后端的相同问题的解决方案可用 here和 here .

---

编辑 1:

如下所示更改损失函数(我的意思是它没有任何错误)。但是，我不知道为什么，也不知道新代码的正确性。

def custom_loss(y_true, y_pred):
    return K.sum(K.maximum(0, 1 - y_pred[0] + y_pred[1]))

Answer 1

看起来 K.maximum(0, 1 - y_pred[0] + y_pred[1]) 没有给你一个标量损失值，而是每个样本的错误。您需要平均整个小批量的损失。因此，使用 K.sum 可以将每个样本的损失减少到每个小批量的标量损失。我想使用 mean 而不是 sum 会更准确(以防您决定更改批量大小)。