python - Tensorflow 自定义正则化项将预测值与真实值进行比较

Question

您好，我需要一个自定义的正则化项来添加到我的(二元交叉熵)损失函数中。有人可以帮助我使用 Tensorflow 语法来实现这一点吗？
我尽可能地简化了一切，这样可以更容易地帮助我。
该模型将 18 x 18 二进制配置的数据集 10000 作为输入，并将 16x16 的配置集作为输出。神经网络仅由 2 个卷积层组成。
我的模型看起来像这样:

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
EPOCHS = 10
model = models.Sequential()
model.add(layers.Conv2D(1,2,activation='relu',input_shape=[18,18,1]))
model.add(layers.Conv2D(1,2,activation='sigmoid',input_shape=[17,17,1]))
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-3),loss=tf.keras.losses.BinaryCrossentropy())
model.fit(initial.reshape(10000,18,18,1),target.reshape(10000,16,16,1),batch_size = 1000, epochs=EPOCHS, verbose=1)
output = model(initial).numpy().reshape(10000,16,16) 

现在我写了一个函数，我想用它作为一个额外的正则化术语作为正则化术语。此函数采用真实和预测。基本上，它将两者的每一点与其“正确”邻居相乘。然后取差值。我假设真实和预测项是 16x16(而不是 10000x16x16)。这样对吗？

def regularization_term(prediction, true):
    order = list(range(1,4))
    order.append(0)
    
    deviation = (true*true[:,order]) - (prediction*prediction[:,order])
    deviation = abs(deviation)**2
    return 0.2 * deviation

我真的很感激在我的损失中添加类似这个函数的东西作为正则化术语的帮助，以帮助神经网络更好地训练这个“正确的邻居”交互。我真的很难使用可定制的 Tensorflow 功能。
谢谢，非常感谢。

Answer 1

这很简单。您需要指定自定义损失，在其中定义添加正则化项。像这样的东西:

# to minimize!
def regularization_term(true, prediction):
    order = list(range(1,4))
    order.append(0)
    
    deviation = (true*true[:,order]) - (prediction*prediction[:,order])
    deviation = abs(deviation)**2
    return 0.2 * deviation

def my_custom_loss(y_true, y_pred):
    return tf.keras.losses.BinaryCrossentropy()(y_true, y_pred) + regularization_term(y_true, y_pred)


model.compile(optimizer='Adam', loss=my_custom_loss)

正如 keras 所说:

Any callable with the signature loss_fn(y_true, y_pred) that returnsan array of losses (one of sample in the input batch) can be passed tocompile() as a loss. Note that sample weighting is automaticallysupported for any such loss.

所以一定要返回一系列损失( EDIT: as I can see now it is possible to return also a simple scalar. It doesn't matter if you use for example the reduce function )。 基本上 y_true 和 y_predicted 的第一维是批量大小 .
详情: https://keras.io/api/losses/