Question

我正在尝试在keras中构建自定义丢失函数。不幸的是，我对张量流很少了解。有没有办法我可以将传入的张量转换成一个numpy数组，这样我就可以计算我的损失函数了？

这是我的功能：

def getBalance(x_true, x_pred):

    x_true = np.round(x_true)
    x_pred = np.round(x_pred)

    NumberOfBars = len(x_true)
    NumberOfHours = NumberOfBars/60

    TradeIndex = np.where( x_pred[:,1] == 0 )[0]

    ##remove predictions that are not tradable
    x_true = np.delete(x_true[:,0], TradeIndex)
    x_pred = np.delete(x_pred[:,0], TradeIndex)

    CM = confusion_matrix(x_true, x_pred)

    correctPredictions = CM[0,0]+CM[1,1]
    wrongPredictions = CM[1,0]+CM[0,1]
    TotalTrades = correctPredictions+wrongPredictions
    Accuracy = (correctPredictions/TotalTrades)*100

    return Accuracy

如果不能使用numpy数组，使用tensorflow计算该函数的最佳方法是什么？任何方向都将不胜感激，谢谢！

编辑1： 以下是我的模型的一些细节。我正在使用LSTM网络，辍学率很高。输入是多变量多时间步骤。输出是二进制数字的二维数组（20000,2）

model = Sequential()

model.add(Dropout(0.4, input_shape=(train_input_data_NN.shape[1], train_input_data_NN.shape[2])))

model.add(LSTM(30, dropout=0.4, recurrent_dropout=0.4))

model.add(Dense(2))

model.compile(loss='getBalance', optimizer='adam')

history = model.fit(train_input_data_NN, outputs_NN, epochs=50,  batch_size=64, verbose=1, validation_data=(test_input_data_NN, outputs_NN_test))

Answer 1

编辑：1这是一个未经测试的替换：

（冒充了变量名称的规范化）

def get_balance(x_true, x_pred):

    x_true = K.tf.round(x_true)
    x_pred = K.tf.round(x_pred)

    # didnt see the  need for these
    # NumberOfBars = (x_true)
    # NumberOfHours = NumberOfBars/60

    trade_index = K.tf.not_equal(x_pred[:,1], 0 )

    ##remove predictions that are not tradable
    x_true_tradeable = K.tf.boolean_mask(x_true[:,0], trade_index)
    x_pred_tradeable = K.tf.boolean_mask(x_pred[:,0], trade_index)

    cm = K.tf.confusion_matrix(x_true_tradeable, x_pred_tradeable)

    correct_predictions = cm[0,0]+cm[1,1]
    wrong_predictions = cm[1,0]+cm[0,1]
    total_trades = correction_predictions + wrong_predictions
    accuracy = (correct_predictions/total_trades)*100

    return accuracy

原始答案

欢迎来到SO。您可能知道我们需要计算损失函数的梯度。我们无法在numpy数组上正确计算梯度（它们只是常量）。

做了什么（在keras / theano中使用keras的后端）是Tensors上的自动区分（例如tf.placeholder()）。这不是整个故事，但你现在应该知道的是tf / theano默认为tf.max，tf.sum等运算符提供渐变。

这对您来说意味着张量上的所有操作（y_true和y_pred）都应该被重写以使用tf / theano运算符。

我会评论我认为会被重写的内容，您可以相应地替换并进行测试。

请参阅用作K.tf.round的tf.round，其中K是导入的keras后端的引用 import keras.backend as K

x_true = np.round(x_true)  
x_pred = np.round(x_pred)

抓取张量x_true的形状。 K.shape。计算一个常数的比率可以保持为它在这里

NumberOfBars = len(x_true) 
NumberOfHours = NumberOfBars/60

请参阅tf.where用作K.tf.where

TradeIndex = np.where( x_pred[:,1] == 0 )[0]

您可以使用条件屏蔽张量而不是删除 - 请参阅masking

##remove predictions that are not tradable
x_true = np.delete(x_true[:,0], TradeIndex) 
x_pred = np.delete(x_pred[:,0], TradeIndex)

请参阅tf.confusion_matrix

CM = confusion_matrix(x_true, x_pred)

接下来的计算是计算过度常数，因此保持基本相同（以。为条件在给定新API的情况下必须进行的任何更改

希望我可以使用有效的替换来更新此答案。但我希望这是正确的道路。

关于编码风格的建议：我看到你在代码中使用三个版本的变量命名选择一个并坚持下去。

将张量转换为Numpy数组 - 自定义丢失功能在keras中

1 个答案:

编辑：1这是一个未经测试的替换：

原始答案