使用Keras实现批量相关的损失

Question

我在Keras有一个自动编码器。我希望能够根据预先确定的“精度”向量对输入向量的特征进行加权。这个连续值向量的长度与输入相同，每个元素位于[0, 1]范围内，对应于相应输入元素的置信度，其中1表示完全自信，0表示不可信。在

每个例子都有一个精确向量。在

我已经定义了一个考虑到这个精度向量的损失。在这里，低置信度特征的重建是向下加权的。在

def MAEpw_wrapper(y_prec):
    def MAEpw(y_true, y_pred):
        return K.mean(K.square(y_prec * (y_pred - y_true)))
    return MAEpw

我的问题是精度张量y_prec取决于批处理。我希望能够根据当前批处理更新y_prec，以便每个精度向量都与其观察值正确关联。在

我已经完成了以下工作：

^{pr2}$

这里P是一个numpy数组，它包含所有精度向量以及与示例相对应的索引。我初始化y_prec以使批量大小为32时具有正确的形状。然后我定义以下DataGenerator：

class DataGenerator(Sequence):

    def __init__(self, batch_size, y, shuffle=True):

        self.batch_size = batch_size

        self.y = y

        self.shuffle = shuffle
        self.on_epoch_end()

    def on_epoch_end(self):
        self.indexes = np.arange(len(self.y))

        if self.shuffle == True:
            np.random.shuffle(self.indexes)

    def __len__(self):
        return int(np.floor(len(self.y) / self.batch_size))

    def __getitem__(self, index):
        indexes = self.indexes[index * self.batch_size: (index+1) * self.batch_size]

        # Set precision vector.
        global y_prec
        new_y_prec = K.variable(P[indexes])
        y_prec = K.update(y_prec, new_y_prec)

        # Get training examples.
        y = self.y[indexes]

        return y, y

这里我的目标是在生成批处理的同一个函数中更新y_prec。这似乎正在按预期更新y_prec。然后定义我的模型体系结构：

dims = [40, 20, 2]

model2 = Sequential()
model2.add(Dense(dims[0], input_dim=64, activation='relu'))
model2.add(Dense(dims[1], input_dim=dims[0], activation='relu'))
model2.add(Dense(dims[2], input_dim=dims[1], activation='relu', name='bottleneck'))
model2.add(Dense(dims[1], input_dim=dims[2], activation='relu'))
model2.add(Dense(dims[0], input_dim=dims[1], activation='relu'))
model2.add(Dense(64, input_dim=dims[0], activation='linear'))

最后，我编译并运行：

model2.compile(optimizer='adam', loss=MAEpw_wrapper(y_prec))
model2.fit_generator(DataGenerator(32, digits.data), epochs=100)

其中digits.data是一个numpy数组。在

但是，这最终会定义单独的图形：

StopIteration: Tensor("Variable:0", shape=(32, 64), dtype=float32_ref) must be from the same graph as Tensor("Variable_4:0", shape=(32, 64), dtype=float32_ref).

我一直在寻找解决我问题的办法，但没有找到任何有效的办法。如有任何帮助，请妥善处理。在

Answer 1

在调用fit_generator时，尝试使用worker=0测试代码，如果它正常工作，那么线程就是问题所在。在

如果是线程导致的，请尝试以下方法：

# In the code that executes on the main thread
graph = tf.get_default_graph()

# In code that executes in other threads(e.g. your generator)
with graph.as_default():
    ...
    ...
    new_y_prec = K.variable(P[indexes])
    y_prec = K.update(y_prec, new_y_prec)

Answer 2

使用Keras functional API可以很容易地实现这个自动编码器。这将允许有一个额外的输入占位符y_prec_input，它将与“precision”向量一起输入。完整的源代码可以找到here。在

---

数据生成器

首先，让我们重新实现数据生成器，如下所示：

class DataGenerator(Sequence):
    def __init__(self, batch_size, y, prec, shuffle=True):
        self.batch_size = batch_size
        self.y = y
        self.shuffle = shuffle
        self.prec = prec
        self.on_epoch_end()

    def on_epoch_end(self):
        self.indexes = np.arange(len(self.y))
        if self.shuffle:
            np.random.shuffle(self.indexes)

    def __len__(self):
        return int(np.floor(len(self.y) / self.batch_size))

    def __getitem__(self, index):
        indexes = self.indexes[index * self.batch_size: (index + 1) * self.batch_size]
        y = self.y[indexes]
        y_prec = self.prec[indexes]
        return [y, y_prec], y

注意，我去掉了全局变量。现在，精度向量P作为输入参数（prec）提供，生成器生成一个额外的输入，该输入将馈送给精度占位符y_prec_input（请参见模型定义）。在

---

型号

最后，您的模型可以定义和训练如下：

^{pr2}$

其中input_dim = digits.data.shape[1]。请注意，我还将解码器的输出维度更改为input_dim，因为它必须与输入维度匹配。在