Question

我有一个名为e的常规keras模型，我想在自定义丢失函数中比较y_pred和y_true的输出。

from keras import backend as K
def custom_loss(y_true, y_pred):
    return K.mean(K.square(e.predict(y_pred)-e.predict(y_true)), axis=-1)

我收到错误：AttributeError: 'Tensor' object has no attribute 'ndim' 这是因为y_true和y_pred都是张量对象，keras.model.predict期望传递numpy.array。

知道如何在自定义丢失函数中使用keras.model成功吗？

如果需要，我愿意获取指定图层的输出，或者将keras.model转换为tf.estimator对象（或其他任何对象）。

Answer 1

首先，让我们尝试理解您收到的错误消息：

AttributeError：'Tensor'对象没有属性'ndim'

让我们看一下Keras文档，找到Keras模型的predict方法。我们可以看到函数参数的描述：

x：输入数据，作为Numpy数组。

因此，该模型试图获得ndims的{{1}}属性，因为它期望数组作为输入。另一方面，Keras框架的自定义丢失函数获取numpy array作为输入。因此，不要在其中编写任何python代码 - 它将永远不会在评估期间执行。只调用此函数来构造计算图。

好的，现在我们发现了该错误信息背后的含义，我们如何在自定义丢失函数中使用Keras模型？简单！我们只需要获得模型的评估图。尝试这样的事情：

tensors

请注意，上述代码未经过测试。但是，无论实现如何，总体思路都将保持不变：您需要构建一个图形，def custom_loss(y_true, y_pred): # Your model exists in global scope global e # Get the layers of your model layers = [l for l in e.layers] # Construct a graph to evaluate your other model on y_pred eval_pred = y_pred for i in range(len(layers)): eval_pred = layers[i](eval_pred) # Construct a graph to evaluate your other model on y_true eval_true = y_true for i in range(len(layers)): eval_true = layers[i](eval_true) # Now do what you wanted to do with outputs. # Note that we are not returning the values, but a tensor. return K.mean(K.square(eval_pred - eval_true), axis=-1)和y_true将在其中流经最终操作。

在自定义keras丢失中使用keras模型

1 个答案: