带有tf.contrib.losses.metric_learning.triplet_semihard_loss断言误差的keras模型

Question

我将python 3与anaconda结合使用，并尝试使用带有Keras模型的tf.contrib丢失函数。

代码如下

from keras.layers import Dense, Flatten
from keras.optimizers import Adam
from keras.models import Sequential
from tensorflow.contrib.losses import metric_learning
model = Sequential()
model.add(Flatten(input_shape=input_shape))
model.add(Dense(50,  activation="relu"))
model.compile(loss=metric_learning.triplet_semihard_loss, optimizer=Adam())

我得到以下错误：

文件"/home/user/.local/lib/python3.6/site-packages/keras/engine/training_utils.py"，行404，在加权score_array = fn(y_true，y_pred)文件"/home/user/anaconda3/envs/siamese/lib/python3.6/site-packages/tensorflow/contrib/losses/python/metric_learning/metric_loss_ops.py"，第179行中，在triplet_semihard_loss assert lshape.shape == 1 AssertionError中

当我使用同样的网络和keras损失函数时，它工作得很好，我尝试将tf损失函数封装成这样的函数

def func(y_true, y_pred): 
    import tensorflow as tf
    return tf.contrib.losses.metric_learning.triplet_semihard_loss(y_true, y_pred) 

仍然会犯同样的错误

我在这里做错什么了？

更新:当更改func以返回以下内容时

return K.categorical_crossentropy(y_true, y_pred)

一切都很好！但我不能让它和特殊的tf损失函数一起工作.

当我进入tf.contrib.losses.metric_learning.triplet_semihard_loss并删除这一行代码：assert lshape.shape == 1时，它运行得很好

谢谢

Answer 1

问题是，您将错误的输入传递给损失函数。

根据损失文件串，你需要通过labels和embeddings。

所以你的代码必须是：

def func(y, embeddings): 
    return tf.contrib.losses.metric_learning.triplet_semihard_loss(labels=y, embeddings=embeddings) 

还有两个关于嵌入网络的注意事项：

1. 最后的致密层必须没有激活。
2. 不要忘记标准化输出向量model.add(Lambda(lambda x: K.l2_normalize(x, axis=1)))

Answer 2

似乎您的问题来自于丢失函数中的不正确输入。实际上，三重态损失需要参数：

Args:
labels: 1-D tf.int32 `Tensor` with shape [batch_size] of
  multiclass integer labels.
embeddings: 2-D float `Tensor` of embedding vectors. Embeddings should
  be l2 normalized.

你确定y_true的形状是正确的吗？你能给我们提供更多关于你使用的张量的更多细节吗？