Keras：基于FasterRCNN预测生成目标值

Question

解决方案

好吧，我确实找到了一个解决方案，也许不是最好的。实际上，我们刚刚创建了一个新方法，它使用了TensorFlow中的GradientTape。基本上，得到预测，生成目标，计算损失，然后更新梯度

with tf.GradientTape() as tape:
    # Forward pass
    y_preds = self.model(x, training=True)
    # Generate the target values from the predictions
    actual_deltas, actual_objectness = self.generate_target_values(y_preds, labels)
    #Get the loss
    loss = self.model.compiled_loss([actual_deltas, actual_objectness], y_preds, regularization_losses=self.model.losses)
# Compute gradients
trainable_vars = self.model.trainable_variables
gradients = tape.gradient(loss, trainable_vars)
# Update weights
self.model.optimizer.apply_gradients(zip(gradients, trainable_vars))

我知道有更好的方法可以通过Keras子类化来实现这一点，但这确实起到了作用

原创帖子

我目前正在尝试创建一个模型，其中预测需要通过一个函数运行，该函数将它们与训练标签进行比较。然后，此函数将返回目标值。我如何训练我的模型，这样预测将被输入到我的函数中，它将返回函数pred。 我使用的是Tensorflow 2.1.0和Keras 2.2.4-tf

编辑：

该模型是一种改进的快速RCNN模型。 我尝试添加函数，该函数接受预测（2xN和4xN向量），将它们转换为边界框，将它们与地面真值边界框进行比较，然后返回每个建议的边界框值应该是什么，以便正确覆盖该边界框

Answer 1

好吧，我确实找到了一个解决方案，也许不是最好的。实际上，我们刚刚创建了一种新方法，它使用了TensorFlow的GradientTape。基本上，得到预测，生成目标，计算损失，然后更新梯度

with tf.GradientTape() as tape:
    # Forward pass
    y_preds = self.model(x, training=True)
    # Generate the target values from the predictions
    actual_deltas, actual_objectness = self.generate_target_values(y_preds, labels)
    #Get the loss
    loss = self.model.compiled_loss([actual_deltas, actual_objectness], y_preds, regularization_losses=self.model.losses)
# Compute gradients
trainable_vars = self.model.trainable_variables
gradients = tape.gradient(loss, trainable_vars)
# Update weights
self.model.optimizer.apply_gradients(zip(gradients, trainable_vars))

我知道有更好的方法可以通过Keras子类化来实现这一点，但这确实起到了作用