RNN (keras)的欧氏距离损失函数
RNN (keras)的欧氏距离损失函数
提问于 2017-10-05 20:16:52
我想把欧氏距离设为LSTM或RNN的损失函数。
这样的函数应该有哪些输出: float，(batch_size)或(batch_size，timesteps)？
模型输入X_train是(n_samples，timesteps，data_dim)。Y_train具有相同的维度。
示例代码：
def euc_dist_keras(x, y):
return K.sqrt(K.sum(K.square(x - y), axis=-1, keepdims=True))
model = Sequential()
model.add(SimpleRNN(n_units, activation='relu', input_shape=(timesteps, data_dim), return_sequences=True))
model.add(Dense(n_output, activation='linear'))
model.compile(loss=euc_dist_keras, optimizer='adagrad')
model.fit(y_train, y_train, batch_size=512, epochs=10)因此，我是否应该在时间步长维度和/或batch_size上平均损失？
回答 1
Stack Overflow用户
发布于 2017-10-06 01:55:10
损失函数将接受预测的和真实的标签，并在Keras中输出一个标量：
from keras import backend as K
def euc_dist_keras(y_true, y_pred):
return K.sqrt(K.sum(K.square(y_true - y_pred), axis=-1, keepdims=True))注意，它不会将X_train作为输入。损失计算遵循前向传播步骤，它的值提供了预测标签与真实标签相比的优性。
这样的函数应该有哪些输出: float，(batch_size)或(batch_size，timesteps)？
损失函数应该有标量输出。
因此，我是否应该在时间步长维度和/或batch_size上平均损失？
这将不需要能够使用欧氏距离作为损失函数。
旁注:在你的情况下，我认为问题可能在于神经网络架构，而不是损失。给定(batch_size, timesteps, data_dim)，SimpleRNN的输出将是(batch_size, timesteps, n_units)，而Dense层的输出将是(batch_size, n_output)。因此，如果您的Y_train具有形状(batch_size, timesteps, data_dim)，您可能需要使用TimeDistributed 包装器为每个时态切片应用Dense，并调整完全连接层中隐藏单元的数量。
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/46594115
复制相关文章
相似问题
腾讯云开发者
