我想用 Keras 实现此paper中所示的自定义损失函数。
我的损失并没有减少，我感觉是因为损失的实现：它并没有将 Keras的后端用于所有内容，而是结合了一些{{ 1}}函数，简单操作和K：
numpy是否有必要使用Keras函数，如果需要的话，我需要使用哪种类型的操作（我看到了一些代码，其中简单的操作（例如加法）不使用def l1_matrix_norm(M):
return K.cast(K.max(K.sum(K.abs(M), axis=0)), 'float32')
def reconstruction_loss(patch_size, mask, center_weight=0.9):
mask = mask.reshape(1, *mask.shape).astype('float32')
mask_inv = 1 - mask
def loss(y_true, y_pred):
diff = y_true - y_pred
center_part = mask * diff
center_part_normed = l1_matrix_norm(center_part)
surr_part = mask_inv * diff
surr_part_normed = l1_matrix_norm(surr_part)
num_pixels = np.prod(patch_size).astype('float32')
numerator = center_weight * center_part_normed + (1 - center_weight) * surr_part_normed
return numerator / num_pixels
return loss
）。
如果我必须使用Keras后端功能，我可以改为使用TensorFlows功能吗？
答案 0 :(得分：1)
NN训练取决于能够计算图中所有函数（包括损失函数）的导数。注释Keras后端函数和TensorFlow函数，以便tensorflow（或其他后端）自动知道如何计算梯度。 numpy函数不是这种情况。如果您确实知道如何手动计算其梯度，则可以使用非tf函数（请参见tf.custom_gradients）。通常，我建议最好坚持使用后端函数，然后在必要时使用tensorflow函数。