python - 如何防止keras自定义损失函数中的负面预测

Question

我正在使用自定义损失函数:

def ratio_loss(y, y0):
   return (K.mean(K.abs(y - y0) / y))

并获得负预测值 - 在我的例子中这不会构成场景(我使用 CNN 和回归作为最后一层来获取对象的长度)。我使用除法是为了在真实值相对于预测值较小的情况下惩罚更多)。

如何防止负面预测？

这是模式(目前..):

def create_model():
    model = Sequential()
    model.add(Conv2D(128, kernel_size=(3, 3), activation='relu', padding='same', input_shape=(128, 128, 1)))
    model.add(Dropout(0.5))

    model.add(Conv2D(128, kernel_size=(3, 3), activation='relu', padding='same'))
    model.add(Dropout(0.25))
    model.add(BatchNormalization())
    model.add(MaxPooling2D(pool_size=(2, 2)))

    model.add(Conv2D(64, kernel_size=(3, 3), activation='relu', padding='same'))
    model.add(Dropout(0.25))
    model.add(BatchNormalization())
    model.add(MaxPooling2D(pool_size=(2, 2)))
    #
    #
    model.add(Conv2D(64, kernel_size=(3, 3), activation='relu', padding='same'))
    model.add(Dropout(0.25))
    model.add(BatchNormalization())
    model.add(MaxPooling2D(pool_size=(2, 2)))

    model.add(Flatten())
    model.add(Dense(512, activation='relu'))

    model.add(Dropout(0.15))
    model.add(Dense(1))
    #model.compile(loss=keras.losses.mean_squared_error, optimizer=keras.optimizers.Adadelta(), metrics=[sacc])
    model.compile(loss=ratio_loss, optimizer=keras.optimizers.Adadelta(), metrics=[sacc])
    return model

谢谢，阿米尔

Answer 1

您可以继续训练您的神经网络，并希望它能够学会不做出任何低于 0 的预测(假设所有训练数据的输出都低于 0)。然后，您可以添加一个后预测步骤，在该步骤中将“如果它做出任何低于 0 的预测”，那么您只需将其转换为 0。

您可以按照 Daniel Möller 的回答添加激活函数。

这将涉及改变

model.add(Dense(1))

至

model.add(Dense(1, activation='softplus'))

既然您在评论中提到您希望输出介于 0 到 ~200 之间。这将保证输出不会低于 0。