定义python函数

def my_huber_loss(y_true, y_pred):
error = y_true - y_pred
is_small_error = tf.abs(error) <= threshold
small_error_loss = tf.square(error) / 2
big_error_loss = threshold * (tf.abs(error) - (0.5 * threshold))
return tf.where(is_small_error, small_error_loss, big_error_loss)
model.compile(loss=my_huber_loss, optimizer=...)

需要注意的是：如果我们想要传入超参数，我们不能直接在函数内添加参数，而应该使用wrapper,因为作为loss函数只能够拥有$y\_true,y\_pred$两个参数

wrapper

# wrapper function that accepts the hyperparameter
def my_huber_loss_with_threshold(threshold):
# function that accepts the ground truth and predictions
def my_huber_loss(y_true, y_pred):
error = y_true - y_pred
is_small_error = tf.abs(error) <= threshold
small_error_loss = tf.square(error) / 2
big_error_loss = threshold * (tf.abs(error) - (0.5 * threshold))
return tf.where(is_small_error, small_error_loss, big_error_loss)
# return the inner function tuned by the hyperparameter
return my_huber_loss

类

同时，我们也可以定义一个loss类，可以支持更多操作。

from tensorflow.keras.losses import Loss
class MyHuberLoss(Loss):
# initialize instance attributes
def __init__(self, threshold=1):
super().__init__()
self.threshold = threshold
# compute loss
def call(self, y_true, y_pred):
error = y_true - y_pred
is_small_error = tf.abs(error) <= self.threshold
small_error_loss = tf.square(error) / 2
big_error_loss = self.threshold * (tf.abs(error) - (0.5 * self.threshold))
return tf.where(is_small_error, small_error_loss, big_error_loss)

需要注意的点：

• 尽量使用TensoFlow提供的API进行各种计算。例如 tensorflow.keras.backend提供的各种函数
• 传入类型和返回类型都必须是Tensor类型。（所以不要使用numpy的计算函数）

该类需要从Loss基类继承，更多的操作可以参阅TensorFlow官方文档

最后

以上就是落寞芝麻为你收集整理的使用tensorflow自定义loss函数定义python函数wrapper类的全部内容，希望文章能够帮你解决使用tensorflow自定义loss函数定义python函数wrapper类所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。