neural-network - 如何在 Tensorflow 中结合 tf.absolute 和 tf.square 来创建 Huber 损失函数？

Question

准确地说，我要找的损失函数是绝对误差小于0.5时的平方误差，当绝对误差大于0.5时就是绝对误差本身。这样，误差函数的梯度不会超过 1，因为一旦平方误差函数的梯度达到 1，绝对误差函数就会起作用，并且梯度保持恒定为 1。我在下面包含了我当前的实现.出于某种原因，它给了我比平方误差更差的性能。

fn_choice_maker1 = (tf.to_int32(tf.sign(y - y_ + 0.5)) + 1)/2
fn_choice_maker2 = (tf.to_int32(tf.sign(y_ - y + 0.5)) + 1)/2
choice_maker_sqr = tf.to_float(tf.mul(fn_choice_maker1,   fn_choice_maker2))

sqr_contrib = tf.mul(choice_maker_sqr, tf.square(y - y_))
abs_contrib = tf.abs(y - y_)-0.25 - tf.mul(choice_maker_sqr, tf.abs(y - y_)-0.25)
loss = tf.reduce_mean(sqr_contrib + abs_contrib)
train_step = tf.train.AdamOptimizer(1e-4).minimize(loss)

choice_maker_sqr是一个列张量，当误差在 0.5 到 -0.5 之间时为 1。这些名字是不言自明的。

Answer 1

这是我对 Huber loss function 的实现在python tensorflow 中:

def huber_loss(y_true, y_pred, max_grad=1.):
    """Calculates the huber loss.

    Parameters
    ----------
    y_true: np.array, tf.Tensor
      Target value.
    y_pred: np.array, tf.Tensor
      Predicted value.
    max_grad: float, optional
      Positive floating point value. Represents the maximum possible
      gradient magnitude.

    Returns
    -------
    tf.Tensor
      The huber loss.
    """
    err = tf.abs(y_true - y_pred, name='abs')
    mg = tf.constant(max_grad, name='max_grad')
    lin = mg*(err-.5*mg)
    quad=.5*err*err
    return tf.where(err < mg, quad, lin)