deep-learning - 计算网络两个输出之间的 cosine_proximity 损失

Question

我正在使用 Keras 2.0.2 功能 API (Tensorflow 1.0.1) 来实现一个网络，该网络接受多个输入并产生两个输出 a 和 b。我需要使用 cosine_proximity 损失来训练网络，使得 b 是 a 的标签。我该怎么做？

在这里分享我的代码。最后一行 model.fit(..) 是有问题的部分，因为我本身没有标记数据。标签由模型本身生成。

from keras.models import Model
from keras.layers import Input, LSTM
from keras import losses

shared_lstm = LSTM(dim)

q1 = Input(shape=(..,.. ), name='q1')
q2 = Input(shape=(..,.. ), name='q2')
a = shared_lstm(q1)
b = shared_lstm(q2)
model = Model(inputs=[q1,q2], outputs=[a, b])
model.compile(optimizer='adam', loss=losses.cosine_proximity)

model.fit([testq1, testq2], [?????])

Answer 1

你可以先定义一个假的真实标签。例如，将其定义为输入数据大小的一维数组。

现在是损失函数。你可以这样写。

def my_cosine_proximity(y_true, y_pred):
    a = y_pred[0]
    b = y_pred[1]
    # depends on whether you want to normalize
    a = K.l2_normalize(a, axis=-1)
    b = K.l2_normalize(b, axis=-1)        
    return -K.mean(a * b, axis=-1) + 0 * y_true

我将 y_true 乘以零并相加，以便 Theano 不会给出缺少输入的警告/错误。

您应该正常调用您的 fit 函数，即通过包含虚假的真实标签。

model.compile('adam', my_cosine_proximity) # 'adam' used as an example optimizer 
model.fit([testq1, testq2], fake_y_true)