Keras自定义损失函数在场景分类的使用

Keras自定义损失函数在场景分类的使用

在做图像场景分类的过程中，需要自定义损失函数，遇到很多坑。Keras自带的损失函数都在losses.py文件中。（以下默认为分类处理）

#losses.py
#y_true是分类的标签，y_pred是分类中预测值（这里指，模型最后一层为softmax层，输出的是每个类别的预测值）
def mean_squared_error(y_true, y_pred):
    return K.mean(K.square(y_pred - y_true), axis=-1)
def mean_absolute_error(y_true, y_pred):
    return K.mean(K.abs(y_pred - y_true), axis=-1)
def mean_absolute_percentage_error(y_true, y_pred):
    diff = K.abs((y_true - y_pred) / K.clip(K.abs(y_true),K.epsilon(),None))
    return 100. * K.mean(diff, axis=-1)
def mean_squared_logarithmic_error(y_true, y_pred):
    first_log = K.log(K.clip(y_pred, K.epsilon(), None) + 1.)
    second_log = K.log(K.clip(y_true, K.epsilon(), None) + 1.)
    return K.mean(K.square(first_log - second_log), axis=-1)
def squared_hinge(y_true, y_pred):
    return K.mean(K.square(K.maximum(1. - y_true * y_pred, 0.)), axis=-1)

这里面简单的来说，y_true就是训练数据的标签，y_pred就是模型训练时经过softmax层的预测值。经过计算，得出损失值。
那么我们要新建损失函数totoal_loss，就要在本文件下，进行新建。

def get_loss(labels,features, alpha,lambda_c,lambda_g,num_classes):
    #由于涉及研究内容，详细代码不做公开
    return loss
#total_loss(y_true,y_pred)，y_true代表标签（类别），y_pred代表模型的输出
#（	如果是模型中间层输出，即代表特征，如果模型输出是经过softmax就是代表分类预测值）
#其他有需要的参数也可以写在里面
def total_loss(y_true,y_pred):
       git_loss=get_loss(y_true,y_pred,alpha=0.5,lambda_c=0.001,lambda_g=0.001,num_classes=45)
       return git_loss 

自定义损失函数写好之后，可以进行使用了。这里，我使用交叉熵损失函数和自定义损失函数一起使用。

#这里使用vgg16模型
model = VGG16(input_tensor=image_input, include_top=True,weights='imagenet')
model.summary()
#fc2层输出为特征
last_layer = model.get_layer('fc2').output
#获取特征
feature = last_layer
#softmax层输出为各类的预测值
out = Dense(num_classes,activation = 'softmax',name='predictions')(last_layer)
#该模型有一个输入image_input,两个输出out，feature
custom_vgg_model = Model(inputs = image_input, outputs = [feature,out])
custom_vgg_model.summary()
#优化器，梯度下降
sgd = optimizers.SGD(lr=learn_Rate,decay=decay_Rate,momentum=0.9,nesterov=True)
#这里面，刚才有两个输出，这里面使用两个损失函数，total_loss对应的是fc2层输出的特征
#categorical_crossentropy对应softmax层的损失函数
#loss_weights两个损失函数的权重
custom_vgg_model.compile(loss={'fc2': 'total_loss','predictions': "categorical_crossentropy"},
                         loss_weights={'fc2': 1, 'predictions':1},optimizer= sgd,
                                      metrics={'predictions': 'accuracy'})
#这里使用dummy1，dummy2做演示，为0
dummy1 = np.zeros((y_train.shape[0],4096))
dummy2 = np.zeros((y_test.shape[0],4096))
#模型的输入输出必须和model.fit()中x，y两个参数维度相同
#dummy1的维度和fc2层输出的feature维度相同，y_train和softmax层输出的预测值维度相同
#validation_data验证数据集也是如此，需要和输出层的维度相同
hist = custom_vgg_model.fit(x = X_train,y = {'fc2':dummy1,'predictions':y_train},batch_size=batch_Sizes,
                                epochs=epoch_Times, verbose=1,validation_data=(X_test, {'fc2':dummy2,'predictions':y_test}))

写到这里差不多就可以了，不够详细，以后再做补充。