使用隐藏层输出作为目标的一部分的Keras自定义损失函数

Question

我正在尝试在Keras中实现一个自动编码器，它不仅可以最小化重建误差，而且它的构造特征也应该最大化我定义的度量。我真的不知道该怎么做。

下面是我目前掌握的一些代码片段：

corrupt_data = self._corrupt(self.data, 0.1)

# define encoder-decoder network structure
# create input layer
input_layer = Input(shape=(corrupt_data.shape[1], ))
encoded = Dense(self.encoding_dim, activation = "relu")(input_layer)
decoded = Dense(self.data.shape[1], activation="sigmoid")(encoded)

# create autoencoder
dae = Model(input_layer, decoded)

# define custom multitask loss with wlm measure
def multitask_loss(y_true, y_pred):
    # extract learned features from hidden layer
    learned_fea = Model(input_layer, encoded).predict(self.data)
    # additional measure I want to optimize from an external function
    wlm_measure = wlm.measure(learned_fea, self.labels)
    cross_entropy = losses.binary_crossentropy(y_true, y_pred)
    return wlm_measure + cross_entropy

# create optimizer
dae.compile(optimizer=self.optimizer, loss=multitask_loss)

dae.fit(corrupt_data, self.data, 
                epochs=self.epochs, batch_size=20, shuffle=True, 
                callbacks=[tensorboard])

# separately create an encoder model
encoder = Model(input_layer, encoded)

目前这不能正常工作...当我查看训练历史时，该模型似乎忽略了额外的度量，仅基于交叉熵损失进行训练。另外，如果我将损失函数更改为只考虑wlm度量，我会得到错误消息"numpy.float64“object has no attribute "get_shape”(我不知道将wlm函数的返回类型更改为张量是否有帮助)。

我认为有几个地方可能出了问题。我不知道我是否在我的自定义损失函数中正确提取了隐藏层的输出。此外，我不知道我的wlm.measure函数是否正确输出-它是否应该输出numpy.float32或float32类型的一维张量。

基本上，传统的损失函数只关心输出层的预测标签和真实标签。在我的例子中，我还需要考虑隐藏层的输出(激活)，这在Keras中实现起来并不是那么简单。

谢谢你的帮助！

Answer 1

你不想在你的自定义损失函数中定义你的learned_fea Model。相反，您可以预先定义具有两个输出的单个模型:解码器的输出(重构)和内容器的输出(特征表示)：

multi_output_model = Model(inputs=input_layer, outputs=[decoded, encoded])

现在，您可以编写一个自定义损失函数，该函数仅适用于编码器的输出：

def custom_loss(y_true, y_pred):
    return wlm.measure(y_pred, y_true)

在编译模型时，您将传递损失函数列表(如果您命名张量，则传递字典)：

model.compile(loss=['binary_crossentropy', custom_loss], optimizer=...)

并通过传递输出列表来拟合模型：

model.fit(X=X, y=[data_to_be_reconstructed,labels_for_wlm_measure])