如何对三重损失函数的掩码计算进行矢量化
三重损失函数的掩码计算可以通过矢量化来提高计算效率。矢量化是指利用向量运算来同时处理多个数据，以减少循环次数和提高计算速度。
在进行三重损失函数的掩码计算时，可以使用NumPy库来实现矢量化。NumPy是Python中用于科学计算的一个重要库，提供了高性能的多维数组对象和各种计算函数。
首先，我们需要将三重损失函数的输入数据转换为NumPy数组。假设我们有N个样本，每个样本的特征维度为D，掩码的维度为M。可以将输入数据表示为一个形状为(N, D)的二维数组和一个形状为(N, M)的二维数组。
接下来，我们可以使用NumPy的广播功能来进行矢量化计算。假设我们要计算每个样本的掩码损失，可以使用以下代码：
import numpy as np
# 假设输入数据为X，掩码为mask，标签为y
X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
mask = np.array([[1, 0, 1], [0, 1, 0], [1, 1, 1]])
y = np.array([0, 1, 2])
# 计算每个样本的掩码损失
loss = np.sum((X - X[y, :]) * mask, axis=1)在上述代码中，(X - X[y, :])表示计算每个样本与其对应标签样本的差值，* mask表示将差值与掩码相乘，最后使用np.sum函数对每个样本的掩码损失进行求和。
矢量化计算可以大大提高计算效率，尤其在处理大规模数据时更为明显。同时，使用NumPy库还可以方便地进行其他数学运算和数组操作。
对于腾讯云相关产品和产品介绍链接地址，可以参考腾讯云官方文档或者咨询腾讯云的客服人员获取更详细的信息。
相关·内容
我试图在同一网络中一次传递3个值，因为我需要所有三个向量的值来计算三重态损失。但是当我传递第二个值时，它会产生一个错误。
代码片段是：
# runs the siamese network
def forward_prop(x):
w1 = tf.get_variable("w1", [n1, 2048], initializer=tf.contrib.layers.xavier_initializer()) * 0.01
b1 = tf.get_variable("b1", [n1, 1], initializer=tf.zeros_initi
浏览 1提问于2018-03-26得票数 1
回答已采纳
1回答
假设我有1000张大小为25x25的灰度图像，我想对其进行训练，我的batch_size设置为20。据我所知，这意味着算法将获取前20个样本，并对网络进行训练。然后，它将采取下一个20，并培训网络。它将继续这样做，直到所有1000张图像都通过网络传送。那是一个时代。无论我想要多少个时代，这都是重复的。
我的问题如下：
为什么batch_size会产生不同的影响？在我看来，网络一次只能训练一个例子。输入层由625 = 25x25神经元组成，所以当人们说batch_size允许网络一次训练20个数据点时，这意味着什么？
无论batch_size是5，10，还是100，网络必须处理每个图像一个接一个
浏览 0提问于2020-06-25得票数 0
1回答
的损失到底是什么？
、、、、
我用Mask-R训练我的数据。当我使用mrcnn_bbox_loss，mrcnn_class_loss，mrcnn_mask_loss，rpn_bbox_loss，rpn_class_loss查看结果时，我得到了损失、 TensorBoard以及验证的所有相同的6项损失：val_loss、 val_loss等。
我想知道每一次损失到底是什么。
另外，我想知道前6个损失是火车损失还是什么？如果他们不是火车的损失，我怎么能看到火车的损失？
我猜是：
loss：概括地说，这是5个损失(但我不知道TensorBoard是如何总结的)。
mrcnn_bbox_loss：边框的大小是否正确？
mrcnn_
浏览 3提问于2019-03-26得票数 14
回答已采纳
2回答
假设我在做一个标准的DNN分类任务，我使用交叉熵损失。在损耗计算之后，我应用了一个掩码向量( 0，0，0，1，1，…将部分损失设定为零。
问题是Tensorflow将如何处理这个零损失？它会否涉及到反向传播？
浏览 6提问于2021-10-18得票数 0
回答已采纳
在用PyTorch编写的神经网络代码中，我们定义并使用了这种自定义损失，它应该复制交叉熵损失的行为：
def my_loss(output, target):
global classes
v = torch.empty(batchSize)
xi = torch.empty(batchSize)
for j in range(0, batchSize):
v[j] = 0
for k in range(0, len(classes)):
v[j] += math.exp(output[j][k
浏览 0提问于2020-06-02得票数 2
回答已采纳
1回答
我知道有一个类似的话题，但这是关于Keras的，我在纯TensorFlow中工作。
我有一个LSTM网络，在该网络中，复发由以下人员处理：
outputs, final_state = tf.nn.dynamic_rnn(cell,
embed,
sequence_length=seq_lengths,
initial_state=initial_st
浏览 6提问于2017-09-04得票数 1
1回答
我正在尝试学习一种使用keras的双分支神经网络联合嵌入图像和文本的表示。我的模型就是这样的：
以下是我目前的培训模式：
model = Model([txt_input,img_input], [encoded_txt, encoded_img])
我必须使用双向排序损失，这意味着对应的文本和图像的表示应该比任何其他图像/文本之间的距离为m。
experiment)Yi- s:a：aD:训练集Yi+：给定图像xi的对应(正)文本描述集(在my 中只有一个正描述:给定图像xiXi+的一组非对应(负)描述:给定文本描述的一组对应(正)图像(仅在我的experiment)Xi-中有一个正)：
浏览 2提问于2020-04-16得票数 0
回答已采纳
1回答
我将如何将图像或功能地图的一部分涂黑，以便AutoGrad能够在操作中进行备份？
具体来说，我想把除了n层边框像素以外的所有东西都黑掉。因此，如果我们考虑特征映射的单个通道，它看起来如下：
[
[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1],
[1, 1, 1, 1],
]
我设置了一个常量n=1，因此我的操作对输入执行以下操作：
[
[1, 1, 1, 1],
[1, 0, 0, 1],
[1, 0, 0, 1],
[1, 1, 1, 1],
]
在我的例子中，我将对一个多通道特性映射进行处理，并且所有通道都将被以相同的方式对
浏览 5提问于2020-07-01得票数 2
回答已采纳
我有一个具有两个损失函数的神经网络，一个是两个类别的二进制交叉熵，另一个是回归。现在，我希望只评估class_2的回归损失，并为class_1返回0，因为回归的功能对class_1没有意义。
我如何在Keras中实现这样的算法？
仅在class_1数据上单独训练它是不起作用的，因为我得到了nan损失。有更优雅的方法可以将损失定义为一半数据集为0，另一半为mean_square_loss吗？
浏览 1提问于2018-01-23得票数 0
回答已采纳
1回答
我正在使用Python、scikit-learn、keras和450x540 rgb正面手表的图像(例如观看_1、观看_2)。
我的目标是运行一个自动编码器或暹罗神经网络，以找到其中最相似的手表。然而，我不确定我是否会得到更好的结果，通过比较对的图像或三胞胎的图像。正如本研究论文中所定义的那样，三重奏图像由一个目标图像、一个与目标图像(更多)相似的图像和一个与目标图像不相似的图像组成。
有人能简单地解释一下为什么像前一篇论文所说的那样，使用三胞胎的图像会(必然)比使用对图像产生更好的结果吗？
浏览 0提问于2018-02-23得票数 1
我使用随机梯度下降(SGD)算法进行回归任务，并训练网络以进行输入数据点的多次迭代。我发现，在相同的迭代次数下，与未洗牌的输入数据相比，对输入数据进行混洗会产生更好的结果。举个例子，我正在训练网络，学习输入范围在-1,1之间的"Square“函数，总共有100个点和500次迭代。因此，总的训练点将是100*500，如果我将所有这些训练点都洗牌，系统会表现得更好。
有没有人能建议一下它背后的数学原理？为什么输入的混洗表现得更好？或者对参考论文的任何建议，这解释了培训中的随机性是如何有所帮助的。
谢谢。
浏览 1提问于2015-04-08得票数 2
1回答
在keras中实现facenet
、、、、
在这里，我尝试在keras中实现open face。
有没有人能帮我弄清楚：
用于三元组训练的1>模型结构
2>三重态损失函数
浏览 0提问于2017-02-10得票数 2
我有一个卷积神经网络，它可以预测序列中的以下帧。我为图像添加了不同颜色的边框，以便为网络提供额外的信息。但当然，这些额外的信息并不是系统应该关注的预测或计算损失的重点。有没有办法在计算损失之前切断边界？我试过了：
imgs_pred = model(imgs_input)
#compare prediction with what should have happended and calculate loss
#for this, cut frame from image
croppedImages_gt = []
for i in range(0,cfg.dec_frames):
浏览 6提问于2021-11-25得票数 0
2回答
我希望避免使用apply()方法，而是将数据处理向量化。
我有一个基于少数"if“和"else”条件的数据存储桶函数。如何将数据传递给此函数？
def my_function(id):
if 0 <= id <= 30000:
cal_score = 5
else:
cal_score = 0
return cal_score
Apply()有效，它遍历每一行
但是，apply()在处理大量数据时速度很慢。(我的场景)
df['final_score'] = df.apply(lambd
浏览 1提问于2019-04-09得票数 1
1回答
我目前正在尝试实现一个变压器，并且很难理解它的损耗计算。
我的编码器输入查找batch_size=1和max_sentence_length=8，类似于：
[[Das, Wetter, ist, gut, <blank>, <blank>, <blank>, <blank>]]
我的译码器输入看起来像(德文到英文)：
[[<start>, The, weather, is, good, <end>, <blank>, <blank>]]
假设我的变压器预测了这些类的概率(只显示了类概率最高的类)：
浏览 4提问于2021-03-07得票数 0
回答已采纳
虽然我找不到任何这样的例子，但肯定有这样的例子。也许我不知道该找什么。
浏览 0提问于2018-02-09得票数 3
回答已采纳
2回答
我给小批量数据建模，我只想知道如何处理损失。我能不能累积损失，然后召唤落后的人，比如：
...
def neg_log_likelihood(self, sentences, tags, length):
self.batch_size = sentences.size(0)
logits = self.__get_lstm_features(sentences, length)
real_path_score = torch.zeros(1)
total_score = torch.zeros(1)
浏览 0提问于2019-03-27得票数 5
我正试着做姿势调节的脸生成。其思想是使用一个自动编码网络，它将图像作为输入和包含姿态信息的条件向量，这样生成的图像就以条件向量为条件。
为了使用MSE计算损失，我使用人脸地标检测库生成预测图像的人脸标志。不幸的是，在早期，网络会产生混淆，而脸地标检测库返回None，而不是256 x 256 x 3格式的预期张量，其中像素值表示地标的存在。
我想做的是忽略计算损失时，没有发现脸。
示例--假设我的批处理是表单-> 10 x 256 x 256 x 3，其中10是batch_size，256x256是带有3通道的图像的维数。对于预测，让我们假设不可能为批处理中的3幅图像生成任何地标。我可以将
浏览 3提问于2022-06-26得票数 0
回答已采纳
我使用Tensorflow作为Keras的后端，并试图了解如何将我的标签引入到图像分割培训中。
我使用的是，它既有地面真实图像，也有地面真相掩码，看起来如下* 1500张训练图像：
由于我理解这个过程，在培训期间，我加载了两个
(X)图像
(Y)蒙面图像
为了满足我的需要分批做这件事。现在我的问题是，仅仅将它们(图像和掩模图像)加载为NumPy数组(N，N，3)就足够了，还是需要以某种方式处理/重塑掩码图像。实际上，掩码/标签被表示为R、G、B像素，其中：
255，0，0头发
0,255，0脸
0，0,255背景
我可以这样做，把它正常化为0-1
浏览 1提问于2017-07-18得票数 11
回答已采纳
我正在训练自定义对象检测，使用Mask RCNN在TensorFlow对象检测中。因此，我将与边界框一起预测对象实例掩码。
预训练模型：mask_rcnn_inception_v2_coco
以下是我训练的快照。
信息:tensorflow:全局步骤4181:损失= 0.0031 (3.290秒/步)
信息:tensorflow:全局步骤4181:损失= 0.0031 (3.290秒/步)
信息:tensorflow:全局步骤4182:损失= 0.0030 (2.745秒/步)
信息:tensorflow:全局步骤4182:损失= 0.0030 (2.745秒/步)
，在这种情况下，您
浏览 1提问于2019-01-24得票数 2
回答已采纳
2回答
我想为每个预测计算所有类别的交叉熵总和，其中输入是batch (大小n)，输出是batch (大小n)。
最简单的方法是for循环(对于1000个类)：
def sum_of_CE_lost(input):
L = 0
for c in range(1000):
L = L + torch.nn.CrossEntropyLoss(input, c)
return L
然而，它是非常慢的。什么是更好的方法？我们如何在GPU (CUDA)上将其并行化？
浏览 28提问于2020-02-20得票数 1
回答已采纳
有一些预先训练过的模型输出图像特征向量，比如https://tfhub.dev/google/imagenet/efficientnet_v2_imagenet21k_ft1k_s/feature_vector/2。虽然从名称上可以推断出体系结构(EfficientNetV2)和培训数据集(ImageNet-21K)，但我感兴趣的是培训过程是如何完成的。它是否经过了“古典”的分类训练，在训练结束时有一些密集的层被砍掉？还是像三重态损失这样的其他技术被应用了？
浏览 0提问于2023-06-01得票数 2
表示学习模型为对象生成向量。我希望一些向量对的余弦相似性是(接近) 1，有些是0。我应该使用什么目标函数？MSE作为训练回归模型？
浏览 0提问于2019-01-08得票数 1
1回答
如何从零开始建立人脸识别系统？
、、、、
我正在为人脸识别系统构建一个原型，在编写算法时，我有几个问题。
算法：
收集锚点的(A(i)，P(i)，N(i)) -set，XYX公司员工的正面、负面图像。
利用梯度下降训练三重态损失函数来学习它的参数。实际上，我在这里训练一个(在两个不同的输入上运行两个相同的CNN‘，一次在A(i)-P(i)和next A(i)-N(i)上运行，然后比较它们)。
这些学习参数将确保相同图像的平坦的n-昏暗编码之间的距离会很小，而不同的图像之间的距离会很大。
现在，创建一个数据库，您将存储XYX公司员工的每个培训图像的编码！
简单地向前通过经过训练的CNN，并将每幅图像的对应编码存储
浏览 1提问于2019-03-22得票数 1
回答已采纳
我正在训练一个基于三重子丢失的分类网络和一个普通的多类分类网络，对一些图像数据进行分类。在我的例子中，三重态丢失网络的性能比多类网络差。我曾经尝试过改变三重态损失网络的层、神经元、边缘等，但是多类网络的性能仍然更好。是否有任何情况下三重态丢失网络的表现比正常的多类分类差？如果没有，我可以看到哪些东西可以改善或改变三胞胎丢失网络的工作呢？
它是5类分类，具有一定的特征。
浏览 0提问于2019-09-08得票数 0
6回答
梯度下降算法的矢量化
、、、、
我在matlab中编码梯度下降。对于两个特性，我得到了更新步骤：
temp0 =θ(1，1)-(α/m)*和(X*θ-y).*X(：，1)；temp1 =θ(2，1)-(α/m)*和(X*θ-y).*X(：，2)；θ(1，1)= temp0；θ(2，1)= temp1；
但是，我希望将这段代码矢量化，并能够将其应用于任意数量的特性。对于矢量化部分，它是，我要做的是矩阵乘法。
theta =θ- (alpha/m) * (X‘* (X* theta -y))；
这是显而易见的，但当我尝试时，我意识到它不适用于梯度下降，因为参数不是同时更新的。
那么，我如何向量化这段代码，并确保参
浏览 8提问于2013-12-23得票数 22
回答已采纳
1回答
我想学习如何离线反向传播神经网络，因此我想出了下面的示例：
其中1人因偏见而留下。最后一层的激活函数是线性的。
哪里
我的直觉问题
我想离线计算反向推进，但我不知道该如何做。我理解在线背靠背背后的直觉，我们通过观察来计算梯度观测。但是我不知道它应该如何离线工作，也就是一次计算所有的观测结果。你能告诉我我应该朝哪个方向走吗？
浏览 1提问于2021-10-24得票数 1
我有点搞不懂在神经网络训练中损失函数是如何计算的。有人说，在理论上，当使用网格搜索或蒙特卡罗方法时，我们可以计算所有可能的损失函数值。但显然，这需要太多的资源，并不是神经网络训练的好方法。或者，在使用梯度下降时，我们有可能评估单个值，以知道我们应该往哪个方向去测试下一个值。然后我们可以一步一步地爬下梯子，直到我们达到最优值。
📷
但是另一方面，在下面的PyTorch例子中，据说损失函数是根据所有的预测值和实数来计算的。然后计算梯度。那么，当前面的步骤中的所有损失值都被计算出来时，梯度下降的点是什么呢？
📷
浏览 0提问于2019-09-23得票数 1
我正在实现一个三重态损失的暹罗神经网络。
trained_model模型适用于三个输入:锚点、正输入和负输入。
然而，我的SNN旨在确定两个文本之间的相似性。因此，我希望将2个输入输入到模型中，如果文档相似，则获得0，否则为1。
我知道，我应该保存我的重量从trained_model，并加载到一个新的模式。但是，我到底是怎么做到的呢？
我在中问过这个问题，但我正从另一个角度来探讨这个问题(tensorflow权重)。
是否有方法将权重从三个输入模型加载到两个输入模型？
编辑**
我见过这样的情况：
eval_model = Model(inputs=anchor_input, outputs=
浏览 3提问于2022-04-23得票数 0
1回答
我试图在Keras中为生成矩阵的生成器创建一个自定义丢失函数。矩阵由较高的元素数和较低的中心数组成。与元素相比，中心具有较高的价值--元素具有值<0.1，而中心应该达到值>0.5。重要的是，中心在精确的正确的指数，而它是不那么重要的拟合元素。这就是为什么我试图造成以下损失的原因：
indices = np.argwhere(y_true>0.5)compare 从值为>0.5的y_true中选择所有元素，在numpy中，我将在给定的y_true和y_pred索引处执行值，类似于loss=(K.square(y_pred[indices]-y_true[indices])
浏览 2提问于2020-10-12得票数 0
回答已采纳
在keras的所有代码示例中，我看到输入形状是直接传递的，并且推测批处理大小是第一个，例如：
model = Sequential()
model.add(Dense(32, input_shape=(16,)))
# now the model will take as input arrays of shape (*, 16)
# and output arrays of shape (*, 32)
但是，当涉及到自定义损失时，我看到使用了最后一个轴(轴=-1)。
def loss(y_true,y_pred):
return K.mean(K.square(y_pred
浏览 0提问于2019-11-30得票数 1
我有一个包含在一个无粘性坐标对象中的大量坐标集合。我希望对每个坐标并行地应用一个函数，并生成一个相同形状的输出数组--但这很慢。
(在我的例子中，该函数是一个采用半乳糖中心坐标并输出与空间中该点相关的“亮度”的模型。)
说明：
In [339]: type(data)
Out[339]: astropy.coordinates.builtin_frames.galactocentric.Galactocentric
In [340]: data.shape, data.size # Not that big, really
Out[340]: ((21, 21, 3
浏览 3提问于2017-11-24得票数 4
2回答
我将一个内核分解成几个循环，以便随后将每个循环向量化。其中一个循环看起来像：
int *array1; //Its size is "size+1";
int *array2; //Its size is "size+1";
//All positions of array1 and array2 are set to 0 here;
int *sArray1 = array1+1; //Shift one position so I start writing on pos 1
int *sArray2 = array2+1; //Shift one po
浏览 1提问于2015-06-25得票数 2
2回答
我是DL和Keras的新手。我试图用Keras (tensorflow后端)解决一个具有多变量输出(y型(?，2))的回归问题。我对如何计算损失感到困惑。我用平均绝对误差作为损失函数。但是，由于我的目标数据有两个维度，是否将损失值计算为所有维度上的约简平均值(作为结果的标量)？我检查了Keras源代码，它使用K.mean(.，axis=-1)来计算MAE。如果K.mean与numpy.mean相同，"axis=-1“应该表示列的平均值(对于我的情况，它应该返回形状为(?,2)但不是标量的张量)。如果是这样的话，损失值怎么可能是一个数字(如培训过程日志中输出的那样)？
如果MAE返回确实
浏览 0提问于2018-04-19得票数 7
1回答
我试图创建一个蒙版的RGB图像使用skikit学习。我想要创建一个掩码，只选择等于0, 10 ,0的像素，即绿色通道上的10。然后只显示那些像素。这应该是直截了当的，类似于，但我正在挣扎。
如果图像是加载的jpg，我可以
mask = image == [0,10,0]
image = image[mask]
viewer = ImageViewer(image)
viewer.show()
然而，我得到：
TypeError: Invalid dimensions for image data
如果然后打印(掩码)，我就会意识到，不是对每个像素进行一系列的真假操作，而是得到：
[[ True
浏览 3提问于2017-05-29得票数 4
回答已采纳
1回答
我很难在网上找到关于如何在卷积神经网络中使用偏差进行反向传播的资源。我所说的偏差是指通过卷积得到的每个数字相加的数字。 Here is a picture further explaining 我知道如何计算滤波器权重的梯度，但我不确定如何处理偏差。现在，我只是根据该层的平均误差来调整它。这是正确的吗？
浏览 57提问于2019-09-21得票数 0
回答已采纳
我想要计算一个损失函数，它在不同的输入上两次使用网络的输出。例如，假设，
first_output = model(first_input)
second_output = model(second_input)
loss = mean_absolute_error(first_output, second_output)
如何在tensorflow或keras中实现这一点？
浏览 0提问于2019-01-28得票数 2
1回答
我想知道是否有人试图将单词嵌入向量作为神经网络体系结构(如Transformers、序列到序列模型或简单RNN)中的目标，例如使用均方误差作为损失函数，而不是用softmax来预测单词为类别。找不到任何关于这个话题的文章。有人知道关于这方面的文件吗?或者如果不是原因，为什么不这么做？
用于澄清
例如，Cho等人提出的一个简单的编码器-解码器-体系结构。2014年()。在这类模型中，输出层通常使用softmax激活函数来预测目标词。如果你的词汇表中有30000个单词，你需要输出层中的30万个神经元。
我现在的问题是:为什么不把目标词表示成向量，而不是在输出层预测单词呢？实际上，当使用预先训练过的
浏览 6提问于2021-12-22得票数 0
1回答
我正在试着解决熊猫的问题陈述。熊猫的数据框如下所示： import numpy as np
np.random.seed(0)
import time
import pandas as pd
dataframe = pd.DataFrame({'operation': ['data_a', 'data_b', 'avg', 'concat', 'sum', 'data_a', 'concat']*100,
'data_a'
浏览 30提问于2020-09-06得票数 0
回答已采纳
1回答
我有一个有784个输入，30个隐藏神经元和10个输出神经元的神经网络。主要的性能问题是反向传播。目前，一次反向传播需要大约0.1秒的时间。由于我的训练集是6万个例子，这将需要很长的时间，我甚至确认我的算法是有效的。
我试图并行化hidden_to_output和input_to_hidden函数，但没有效果。我为混乱的代码道歉，但我附加了用于计算错误/反向传播的两个函数。
只是想知道如何在不涉及tensorflow的情况下加速/并行它。
def hidden_to_output(weights2):
for i in range(len(weights2)):
sub_list = [
浏览 0提问于2021-05-30得票数 0
2回答
在我的PhD论文的模拟中，我遇到了以下挑战：
我需要优化以下代码：
repelling_forces = repelling_force_prefactor * np.exp(-(height_r_t/potential_steepness))
在这段代码中，'height_r_t‘是一个真正的Numpy数组，而'potential_steepness’是一个标量。'repelling_force_prefactor‘也是一个Numpy数组，它大部分是零，但在预先计算的位置上是一个，在运行期间不会改变(即掩码)。显然，代码的效率很低，因为只计算'repellin
浏览 0提问于2011-03-12得票数 1
回答已采纳
1回答
我读了一篇论文，它提到他们正在使用矢量化的L1丢失，这在编码方面意味着什么？与正常的L1损失有什么不同吗？从文件中看，这是一个公式：
看看Lf，如果我要对它进行编码，它不只是看起来像常规的L1丢失吗？
import torch.nn.functional as F
loss_f = F.l1_loss(D_t, warped * D_t)
loss_f.backward()
如果是这样的话，为什么要特别提到矢量化L1损失？我错过了什么？
浏览 5提问于2022-04-20得票数 0
3回答
多标签分类损失
、、、、
我正在研究一个多标签分类问题。我的gt标签是14 x 10 x 128形状的，其中14是batch_size，10是sequence_length，128是值1的向量，如果按顺序排列的项属于对象，则为0。
我的输出也是相同的形状：14 x 10 x 128。因为我的输入序列是可变长度的，所以我不得不用固定长度的10来填充它。我试图找出模型丢失的原因如下：
total_loss = 0.0
unpadded_seq_lengths = [3, 4, 5, 7, 9, 3, 2, 8, 5, 3, 5, 7, 7, ...] # true lengths of sequences
optimiz
浏览 12提问于2022-06-15得票数 0
1回答
在损失函数中使用生成器
、、、
我需要将额外的信息合并到依赖于当前批处理的Keras损失函数中。由于Keras损失只有两个参数，我考虑通过使损失函数在生成器对象上调用next()来添加此信息。但是，生成器只调用一次(可能是在model.compile()中添加损失函数时)。下面是一个示例代码：
data_batches = yield_data_batches()
meta_batches = yield_meta_batches()
....
model.compile(loss=loss_function, ...)
model.fit_generator(generator=data_batches, ....)
d
浏览 3提问于2017-11-29得票数 0
2回答
加权稀疏分类交叉熵
、、、、
我正在处理一个语义分割问题，其中我感兴趣的两个类别(除了背景)在图像像素中非常不平衡。由于训练掩模的编码方式，我实际上使用稀疏分类交叉熵作为损失。有没有考虑到类权重的版本？我一直没能找到它，甚至连sparse_categorical_cross_entropy的原始源代码也找不到。我以前从未研究过tf源代码，但API页面上的源代码链接似乎并没有链接到损失函数的真正实现。
浏览 37提问于2020-12-08得票数 3
2回答
我在Keras训练并拯救了一个卷积式自动编码器。在以.h5格式保存模型之前，它的训练损失为0.2394，验证损失为0.2586。在测试保存的模型时，我得到的损失是验证损失的两倍多，即0.6707。我实际上是用训练数据中的样本来测试它，看看我是否会得到同样的损失，甚至更接近它在训练期间。
下面是我计算损失的方法，其中“总计”是我要通过测试模型的图像总数。
score = np.sqrt(metrics.mean_squared_error(predicteds,images))
print ('Loss:',score/total)
我在如何计算测试损失上犯了错误吗？
下面是模型
浏览 0提问于2019-12-21得票数 1
回答已采纳
我正在使用catboost制作一个多类预测模型，最终的解决方案应该具有最小的对数损失误差，但在catboost中不存在对数损失，他们有一个称为“多类”的损失函数。它们都是一样的吗？如果不是，那么我如何用对数损失来衡量catboost模型的准确性呢？
浏览 96提问于2020-06-22得票数 0
1回答
我将级联层与Keras模型相匹配，以实现复合损失。但是，即使我只是忽略了两个合并组件之一的，我的损失也明显高于单独使用的其余组件。
或者我的代码里有错误..。
你有什么线索吗？谢谢!
一些背景
我真正的设置，我有两个输入集(X1，X2)和两个相应的标签集(Y，Z)，流过相同的模型。在Y-预测的等式约束下，模型必须最小化binary_crossentropy on (X1，Y)和(X2，Z)上的最大条件熵。为此，我将两条路径X1-Y和X2-Z合并为级联层，并定义相应的自定义丢失。但是，即使忽略了复合损耗中的Z-部分，与基本的1-输入/1-输出(X1-Y)路径相比，损失值也有很大的不同。
这里有一
浏览 0提问于2019-04-03得票数 1
回答已采纳
1回答
可变数量标签的自定义分类丢失函数
、、、、
如何为可变数量的标签构建自定义丢失函数：
y_true = np.array([[0., 1., -1., -1.],
[1., 0., 1., -1.]])
y_pred = np.array([[0.3, 0.5, 0.2, 0.1],
[0.4, 0.3, 0.7, 0.5]])
在这个例子中，我们有一个批处理大小等于2和一个可变数量的标签(最大长度为4)对每个样本。-1在y_true中的值是一个掩码，我想计算其他值之间的二进制交叉熵([[0., 1.], [1., 0., 1.]]和[[0.3, 0.5],
浏览 1提问于2022-08-08得票数 0
回答已采纳
1回答
是对三重态学习的一个简要综述。我使用三个具有共享权重的卷积神经网络来生成人脸嵌入(锚、正向、负)，并描述了的损失。
三重损失：
anchor_output = ... # shape [None, 128]
positive_output = ... # shape [None, 128]
negative_output = ... # shape [None, 128]
d_pos = tf.reduce_sum(tf.square(anchor_output - positive_output), 1)
d_neg = tf.reduce_sum(tf.square(anchor_
浏览 3提问于2017-09-07得票数 1
回答已采纳
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
腾讯云开发者
