将自定义损失函数从Numpy函数转换为TensorFlow函数

最新推荐文章于 2022-01-18 17:16:36 发布

只想大吃一顿

最新推荐文章于 2022-01-18 17:16:36 发布

阅读量1.2k

点赞数

分类专栏：笔记文章标签： tensorflow 视觉检测 keras

本文链接：https://blog.csdn.net/Straka/article/details/121522105

版权

笔记专栏收录该内容

12 篇文章 1 订阅

订阅专栏

这篇博客介绍了如何将两个自定义的Numpy损失函数——截断pinball损失和Huber化的pinball损失——转换为TensorFlow函数。转换过程中涉及到的关键操作包括使用tf.where替换np.where，用K.sum替代np.sum，并将常数和条件表达式转换为TensorFlow张量。转换后的函数可以被用于TensorFlow模型的编译和训练。

摘要由CSDN通过智能技术生成

将自定义损失函数从Numpy函数转换为TensorFlow函数

np.where => tf.where 函数直接替换
np.sum => K.sum
0.0 => tf.zeros_like(u)
x_in => K.cast(x, “float32”) 先转换数据格式
x_out => x.eval(session=tf.Session())
s => s*tf.ones_like(u) 常数在tf中需要转换成相同大小的矩阵张sjgs量

转换前原始的计算方法

def pinball_loss_trucated_np(y_true, y_pred, quantile, s=0.5):
    u = y_true - y_pred
    pl_1 = np.where(u>=0,           u,           0.0)
    pl_2 = np.where(u<=-s,          s*quantile,  0.0)
    pl_3 = np.where((u>-s) & (u<0), -u*quantile, 0.0)
    return np.sum(np.mean(pl_1+pl_2+pl_3, axis=0))

def pinball_loss_huberized_np(y_true, y_pred, quantile, sigma=0.5):
    u = y_true - y_pred
    pl_1 = np.where(u<1-sigma, 1          -u-sigma/2,                0.0)
    pl_2 = np.where((u>=1-sigma) & (u<1), (1-u)**2/sigma/2,          0.0)
    pl_3 = np.where((u>=1) & (u<1+sigma), (1-u)**2*quantile/2/sigma, 0.0)
    pl_4 = np.where(u>=1+sigma,           -quantile*(1-u+sigma/2),   0.0)
    return np.sum(np.mean(pl_1+pl_2+pl_3+pl_4, axis=0))

转换后

def pinball_loss_trucated_tf(y_true, y_pred, quantile, s=0.1):
    y_true = K.cast(y_true, "float32")
    y_pred = K.cast(y_pred, "float32")
    quantile = K.cast(quantile, "float32")
    s = K.cast(s, "float32")
    u = y_true - y_pred
    pl_1 = tf.where(u>=0,           u,         				    tf.zeros_like(u))
    pl_3 = tf.where((u>-s) & (u<0), -u*quantile, 				tf.zeros_like(u))
    pl_2 = tf.where(u<=-s,          s*quantile*tf.ones_like(u), tf.zeros_like(u))
    return K.sum(K.mean(pl_1+pl_2+pl_3, axis=0))

plt = pinball_loss_trucated_tf(y_test, y_pred, quantiles).eval(session=sess) 

def pinball_loss_huberized_tf(y_true, y_pred, quantile, sigma=0.5):
    y_true = K.cast(y_true, "float32")
    y_pred = K.cast(y_pred, "float32")
    u = y_true - y_pred
    pl_1 = tf.where(u<1-sigma,            1-u-sigma/2,               tf.zeros_like(u))
    pl_2 = tf.where((u>=1-sigma) & (u<1), (1-u)**2/sigma/2,          tf.zeros_like(u))
    pl_3 = tf.where((u>=1) & (u<1+sigma), (1-u)**2*quantile/2/sigma, tf.zeros_like(u))
    pl_4 = tf.where(u>=1+sigma,           -quantile*(1-u+sigma/2),   tf.zeros_like(u))
    return K.sum(K.mean(tf.add(pl_1, pl_2)+tf.add(pl_3, pl_4), axis=0))