如何在Keras模型中使用加权MSE作为损失函数？
如何在Keras模型中使用加权MSE作为损失函数？
提问于 2020-07-14 11:36:50
我试图使用一个自定义的损失函数来计算回归测试中的加权MSE (任务中的值：- 1，- 0.5，0，0.5，1，1.5，3等等)。以下是自定义丢失函数的实现：
import tensorflow
import tensorflow.keras.backend as kb
def weighted_mse(y, yhat):
ind_losses = tensorflow.keras.losses.mean_squared_error(y, yhat)
weights_ind = kb.map_fn(lambda yi: weight_dict[kb.get_value(yi)], y, dtype='float32')
# average loss over weighted sum of the batch
return tensorflow.math.divide(tensorflow.math.reduce_sum(tensorflow.math.multiply(ind_losses, weights_ind)), len(y))我正在做一个例子，这个例子正在起作用：
weight_dict = {-1.0: 70.78125, 0.0: 1.7224334600760458, 0.5: 4.58502024291498, 1.0: 7.524916943521595, 1.5: 32.357142857142854, 2.0: 50.33333333333333, 2.5: 566.25, 3.0: 566.25}
y_true = tensorflow.convert_to_tensor([[0.5],[3]])
y_pred = tensorflow.convert_to_tensor([[0.5],[0]])
weighted_mse(y_true, y_pred)但是，当输入到我的模型中时，它会抛出以下错误：
AttributeError: 'Tensor' object has no attribute '_numpy'下面是我如何使用自定义丢失函数：
model.compile(
optimizer=opt,
loss={
"predicted_class": weighted_mse
})编辑：
当将weight_dict[kb.get_value(yi)]更改为weight_dict[float(yi)]时，我会得到以下错误：
TypeError: float() argument must be a string or a number, not 'builtin_function_or_method'回答 2
Stack Overflow用户
回答已采纳
发布于 2020-07-14 14:06:10
你想要的基本上是样本重量的概念。当使用Keras的训练API时，除了数据之外，还可以传递另一个数组，其中包含每个样本的权重，用于确定每个样本在损失函数中的贡献。
要使用它，可以使用sample_weight参数的fit方法：
model.fit(X, y, sample_weight=X_weight, ...)注意，X_weight应该是一个与X长度相同的数组(即每个训练样本有一个权重值)。此外，如果X是tf.data.Dataset实例或生成器，则此参数不起作用，而是需要将示例权重作为X返回的元组的第三个元素传递。
Stack Overflow用户
发布于 2020-07-14 11:42:26
这通常发生在一个旧版本的tensorflow。有两件事你可以尝试：
- 在导入tensorflow时，将这一行添加到jupyter笔记本中，如下所示：
import tensorflow as tf
tf.enable_eager_execution()- 使用以下命令在提示符下升级tensorflow：
pip install tensorflow --upgrade这很可能是因为急切的执行。有关更多信息，请参见docs 这里。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/62894280
复制相关文章
相似问题
腾讯云开发者
