我想在keras中创建自己的损失函数,它包含导数。例如,
def my_loss(x):
def y_loss(y_true,y_pred):
res = K.gradients(y_pred,x)
return res
return y_loss
已定义,并且
model = Sequential()
model.add(Dense(10, input_dim=2, activation='sigmoid'))
model.add(Dense(1, activation='linear'))
model_loss = my_loss(x=model.input)
model.compile(loss=model_loss, optimizer='adam')
现在因为输入是二维的,
K.gradients(y_pred,x)
必须是二维向量。然而,我不知道如何在梯度中获得每个标量。我最终想要的是y_pred对x的所有二阶导数,有没有方便的方法来得到?
它类似于this post,但这篇文章将二维变量分离为两个一维变量。有没有其他方法可以在不分离输入的情况下获得梯度?
发布于 2019-03-23 19:13:12
不幸的是,Keras没有一种方便的方法来获得梯度的每个分量。因此,我使用tensorflow解决了这个问题。
如果f如果对象函数带有变量x=(x1,x2)
X=tf.placeholder(tf.float32,shape=(None,2))
f=f(X)#assume it is defined'
则df/dx_1为
tf.gradients(f,x)[0][:,0]
df/dx_2是
tf.gradients(f,x)[0][:,1]
d^2f/dx_1^2是
tf.gradietns(tf.gradients(f,x))[0][:,0]
d^2f/dx_2^2是
tf.gradietns(tf.gradients(f,x))[0][:,1]
d^2f/dx_1dx_2是
tf.gradietns(tf.gradients(f,x)[0][:,0])[0][:,1]
我相信有更好的方法,但我找不到。
发布于 2019-03-14 15:52:30
如果你想要拉普拉斯式,为什么不使用tf.hessians,它有所有的二阶导数?拉普拉斯矩阵应等于Hessian矩阵的迹(通过单位)
https://stackoverflow.com/questions/55155784
复制相似问题