Question

我希望我的keras网络能预测60..200范围内的数字输出。以我的经验，在这种情况下，仅输出Sigmoid * 140 + 60或类似的性能非常差，将其转换为类会更好。

但是，我正在努力定义损失函数。显然预测附近的一堂课更好，应该少受处罚。

下面的示例代码。网络显然会更加复杂，并且可能会部分卷积，但这只是开始。

当前代码给出一个错误：“ IndexError：只有整数，切片（:），省略号（...），numpy.newaxis（'None'）和整数或布尔数组才是有效索引”。我想这是有道理的，因为反向传播限制了可以做的事情，但是我不确定如何正确设计和调试损失函数。

classes = np.array(range(60,200,5))
nc = classes.shape[0]
def myloss(y_true, y_pred):
  pred_class = K.argmax(y_pred,axis=1)
  return K.sqrt( K.sum( K.square( classes[pred_class] - y_true ) ) )

in1 = Input(shape=(77,))
mid = Dense(50, activation='tanh')( in1 ) 
out = Dense(nc, activation='softmax')( mid ) 
model = Model(inputs=in1, outputs=out)
model.add_loss( myloss(sbp, out) )

Answer 1

您描述的问题是序数回归问题。关于机器学习中的序数回归的损失函数有很多论文。如您所说，其想法是对更大的偏差进行更多的惩罚，而在通常用于分类的交叉熵损失中却不是这种情况。您可以看一下这个github仓库（我自己没有使用过它的经验）：https://github.com/JHart96/keras_ordinal_categorical_crossentropy

自定义损失函数，用于预测数字输出

1 个答案: