python - 在 Keras/Tensorflow 自定义损失函数中使用额外的 *trainable* 变量

Question

我知道如何使用附加输入在 Keras 中编写自定义损失函数，而不是标准 y_true , y_pred对，见下文。我的问题是输入带有可训练变量(其中一些)的损失函数，该变量是损失梯度的一部分，因此应该更新。
我的解决方法是:

输入网络一个虚拟输入 N X V大小在哪里N是观察次数和 V附加变量的数量

添加 Dense()层 dummy_output以便 Keras 跟踪我的 V “权重”

使用这一层的V我的真实输出层的自定义损失函数中的权重

为此 dummy_output 使用虚拟损失函数(仅返回 0.0 和/或权重 0.0)层所以我的V “权重”仅通过我的自定义损失函数更新

我的问题是:有没有更自然的 Keras/TF-like 方式来做到这一点？因为它感觉如此做作，更不用说容易出现错误。
我的解决方法示例:
(是的，我知道这是一个非常愚蠢的自定义损失函数，实际上事情要复杂得多)

import numpy as np
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
from tensorflow.keras.layers import Dense
from tensorflow.keras.callbacks import EarlyStopping
import tensorflow.keras.backend as K
from tensorflow.keras.layers import Input
from tensorflow.keras import Model

n_col = 10
n_row = 1000
X = np.random.normal(size=(n_row, n_col))
beta = np.arange(10)
y = X @ beta

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# my custom loss function accepting my dummy layer with 2 variables
def custom_loss_builder(dummy_layer):
    def custom_loss(y_true, y_pred):
        var1 = dummy_layer.trainable_weights[0][0]
        var2 = dummy_layer.trainable_weights[0][1]
        return var1 * K.mean(K.square(y_true-y_pred)) + var2 ** 2 # so var2 should get to zero, var1 should get to minus infinity?
    return custom_loss

# my dummy loss function
def dummy_loss(y_true, y_pred):
    return 0.0

# my dummy input, N X V, where V is 2 for 2 vars
dummy_x_train = np.random.normal(size=(X_train.shape[0], 2)) 

# model
inputs = Input(shape=(X_train.shape[1],))
dummy_input = Input(shape=(dummy_x_train.shape[1],))
hidden1 = Dense(10)(inputs) # here only 1 hidden layer in the "real" network, assume whatever network is built here
output = Dense(1)(hidden1)
dummy_output = Dense(1, use_bias=False)(dummy_input)
model = Model(inputs=[inputs, dummy_input], outputs=[output, dummy_output])

# compilation, notice zero loss for the dummy_output layer
model.compile(
  loss=[custom_loss_builder(model.layers[-1]), dummy_loss],
  loss_weights=[1.0, 0.0], optimizer= 'adam')

# run, notice y_train repeating for dummy_output layer, it will not be used, could have created dummy_y_train as well
history = model.fit([X_train, dummy_x_train], [y_train, y_train],
                    batch_size=32, epochs=100, validation_split=0.1, verbose=0,
                   callbacks=[EarlyStopping(monitor='val_loss', patience=5)])

无论 var1 的起始值如何，似乎都可以正常工作和 var2 ( dummy_output 层的初始化)他们渴望减去 inf和 0分别:
(此图来自迭代运行模型并保存这两个权重，如下所示)

var1_list = []
var2_list = []
for i in range(100):
    if i % 10 == 0:
        print('step %d' % i)
    model.fit([X_train, dummy_x_train], [y_train, y_train],
              batch_size=32, epochs=1, validation_split=0.1, verbose=0)
    var1, var2 = model.layers[-1].get_weights()[0]
    var1_list.append(var1.item())
    var2_list.append(var2.item())

plt.plot(var1_list, label='var1')
plt.plot(var2_list, 'r', label='var2')
plt.legend()
plt.show()

Answer 1

在这里回答我自己的问题，经过几天的努力，我让它在没有虚拟输入的情况下工作，我认为这更好，应该是“规范”的方式，直到 Keras/TF 简化流程。 Keras/TF 文档就是这样做的 here .
使用带有外部可训练变量的损失函数的关键是使用自定义损失/输出 图层 其中有 self.add_loss(...)在其 call()实现，像这样:

class MyLoss(Layer):
    def __init__(self, var1, var2):
        super(MyLoss, self).__init__()
        self.var1 = K.variable(var1) # or tf.Variable(var1) etc.
        self.var2 = K.variable(var2)
    
    def get_vars(self):
        return self.var1, self.var2
    
    def custom_loss(self, y_true, y_pred):
        return self.var1 * K.mean(K.square(y_true-y_pred)) + self.var2 ** 2
    
    def call(self, y_true, y_pred):
        self.add_loss(self.custom_loss(y_true, y_pred))
        return y_pred

现在注意 MyLoss层需要 两个输入，实际 y_true和预测 y直到那时:

inputs = Input(shape=(X_train.shape[1],))
y_input = Input(shape=(1,))
hidden1 = Dense(10)(inputs)
output = Dense(1)(hidden1)
my_loss = MyLoss(0.5, 0.5)(y_input, output) # here can also initialize those var1, var2
model = Model(inputs=[inputs, y_input], outputs=my_loss)

model.compile(optimizer= 'adam')

最后，正如 TF 文档所提到的，在这种情况下，您不必指定 loss或 y在 fit()功能:

history = model.fit([X_train, y_train], None,
                    batch_size=32, epochs=100, validation_split=0.1, verbose=0,
                    callbacks=[EarlyStopping(monitor='val_loss', patience=5)])

再次注意 y_train进入 fit()作为输入之一。
现在它的工作原理:

var1_list = []
var2_list = []
for i in range(100):
    if i % 10 == 0:
        print('step %d' % i)
    model.fit([X_train, y_train], None,
              batch_size=32, epochs=1, validation_split=0.1, verbose=0)
    var1, var2 = model.layers[-1].get_vars()
    var1_list.append(var1.numpy())
    var2_list.append(var2.numpy())

plt.plot(var1_list, label='var1')
plt.plot(var2_list, 'r', label='var2')
plt.legend()
plt.show()

(我还应该提到 var1 、 var2 的这种特定模式高度依赖于它们的初始值，如果 var1 的初始值高于 1 它实际上不会减少直到减去 inf )