keras中自定义 loss损失函数和修改不同样本的loss权重(样本权重、类别权重)

首先辨析一下概念：

1. loss是整体网络进行优化的目标， 是需要参与到优化运算，更新权值W的过程的

2. metric只是作为评价网络表现的一种“指标”， 比如accuracy，是为了直观地了解算法的效果，充当view的作用，并不参与到优化过程

一、keras自定义损失函数

在keras中实现自定义loss， 可以有两种方式，一种自定义 loss function, 例如：

# 方式一

def vae_loss(x, x_decoded_mean):

    xent_loss = objectives.binary_crossentropy(x, x_decoded_mean)

    kl_loss = - 0.5 * K.mean(1 + z_log_sigma - K.square(z_mean) - K.exp(z_log_sigma), axis=-1)

    return xent_loss + kl_loss

vae.compile(optimizer='rmsprop', loss=vae_loss)

 

或者通过自定义一个keras的层（layer）来达到目的， 作为model的最后一层，最后令model.compile中的loss=None：

# 方式二

# Custom loss layer

class CustomVariationalLayer(Layer):

    def __init__(self, **kwargs):

        self.is_placeholder = True

        super(CustomVariationalLayer, self).__init__(**kwargs)

    def vae_loss(self, x, x_decoded_mean_squash):

        x = K.flatten(x)

        x_decoded_mean_squash = K.flatten(x_decoded_mean_squash)

        xent_loss = img_rows * img_cols * metrics.binary_crossentropy(x, x_decoded_mean_squash)

        kl_loss = - 0.5 * K.mean(1 + z_log_var - K.square(z_mean) - K.exp(z_log_var), axis=-1)

        return K.mean(xent_loss + kl_loss)

    def call(self, inputs):

        x = inputs[0]

        x_decoded_mean_squash = inputs[1]

        loss = self.vae_loss(x, x_decoded_mean_squash)

        self.add_loss(loss, inputs=inputs)

        # We don't use this output.

        return x

y = CustomVariationalLayer()([x, x_decoded_mean_squash])

vae = Model(x, y)

vae.compile(optimizer='rmsprop', loss=None)

在keras中自定义metric非常简单，需要用y_pred和y_true作为自定义metric函数的输入参数   点击查看metric的设置

注意事项：

1. keras中定义loss，返回的是batch_size长度的tensor， 而不是像tensorflow中那样是一个scalar

2. 为了能够将自定义的loss保存到model， 以及可以之后能够顺利load model， 需要把自定义的loss拷贝到keras.losses.py 源代码文件下，否则运行时找不到相关信息，keras会报错

有时需要不同的sample的loss施加不同的权重，这时需要用到sample_weight，例如

discriminator.train_on_batch(imgs, [valid, labels], class_weight=class_weights)

相关参考：https://www.jianshu.com/p/209e43b62d79

 

二、keras中的样本权重

# Import
import numpy as np
from sklearn.utils import class_weight

# Example model
model = Sequential()
model.add(Dense(32, activation='relu', input_dim=100))
model.add(Dense(1, activation='sigmoid'))

# Use binary crossentropy loss
model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

# Calculate the weights for each class so that we can balance the data
weights = class_weight.compute_class_weight('balanced',
                                            np.unique(y_train),
                                            y_train)

# Add the class weights to the training                                         
model.fit(x_train, y_train, epochs=10, batch_size=32, class_weight=weights)

Note that the output of the class_weight.compute_class_weight() is an numpy array like this: [2.57569845 0.68250928].