实施MSE损失

Question

我刚开始深入学习，我想实现一个自动编码器。我使用的是keras和mse损失函数。但是，当我使用我实现的MSE函数时，我的函数和keras.losses.mse的输出大致相同，但结果要差得多。

对于我的项目中的一些需求，我想修改MSE。但是，当实施时，结果的质量变得更差了。

这个函数的输入是两个23*32*3 ndarray。我不得不做切片，因为我想做的修改。

import tensorflow as tf
import numpy as np
import keras as k

def custom_loss(im1, im2):
    im11 = im1[:, :, 0]
    im12 = im1[:, :, 1]
    im13 = im1[:, :, 2]
    im21 = im2[:,:,0]
    im22 = im2[:,:,1]
    im23 = im2[:,:,2]
    diff1 = tf.square(im11 - im21)
    diff2 = tf.square(im12 - im22)
    diff3 = tf.square(im13 - im23)
    res = tf.divide((diff1 + diff2 + diff3), 3)
    return res

但是当我测试的时候，结果几乎是一样的。但是当我在模型中使用它时，结果要糟糕得多。

a = np.random.rand(32, 32, 3)
b = np.random.rand(32, 32, 3)
v1 = tf.placeholder(tf.float32, (32, 32, 3), 'v1')
v2 = tf.placeholder(tf.float32, (32, 32, 3), 'v2')

with tf.Session() as sess:
    me = sess.run(custom_loss(v1, v2), feed_dict={v1: a, v2: b})
    true = sess.run(k.losses.mse(v1, v2), feed_dict={v1: a, v2: b})

for i in range(32):
    for j in range(32):
        print(i, j, true[i][j], me[i][j])

Answer 1

我相信你错过了差异的总结。

尝试：

def custom_loss(im1, im2):
    im11 = im1[:, :, 0]
    im12 = im1[:, :, 1]
    im13 = im1[:, :, 2]
    im21 = im2[:,:,0]
    im22 = im2[:,:,1]
    im23 = im2[:,:,2]
    diff1 = (im11 - im21)**2
    diff2 = (im12 - im22)**2
    diff3 = (im13 - im23)**2
    res = tf.divide((diff1 + diff2 + diff3).sum(), 3)
    return res