代码之家 › 专栏 › 技术社区 › I. A Ziang Yan

在TensorFlow中训练时使用自定义损失值

tensorflow python

0

I. A Ziang Yan · 技术社区 · 7 年前

我想用我自己的自定义损失值来训练我的神经网络。因此,我想对一个小批量执行前向传播以将激活存储在内存中,然后使用我自己的损失值执行后向传播。这将使用tensorflow完成。

最后,我要做的是:

sess.run(optimizer, feed_dict={x: training_data, loss: my_custom_loss_value}

有可能吗?我假设优化器依赖于损失,而损失本身依赖于输入。因此,我想输入到图中,但我想使用我的值来表示损失。

2 回复 | 直到 7 年前

1

0

I. A Ziang Yan 7 年前

我想因为优化器依赖于激活,所以它们将被评估,换句话说,输入将被输入到网络中。下面是一个例子:

import tensorflow as tf

a = tf.Variable(tf.constant(8.0))
a = tf.Print(input_=a, data=[a], message="a:")
b = tf.Variable(tf.constant(6.0))
b = tf.Print(input_=b, data=[b], message="b:")

c = a * b

optimizer = tf.train.AdadeltaOptimizer(learning_rate=0.1).minimize(c)
init_op = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init_op)

    value, _ = sess.run([c, optimizer], feed_dict={c: 1})
    print(value)

最后,打印值为1.0,而控制台显示: a:[8]b:[6] 这意味着输入得到了评估。

2

0

Ekaba Bisong 7 年前

完全正确。
当你训练 optimizer 使用梯度下降或任何其他优化算法,如 AdamOptimizer() ,优化器将 loss 函数,它可以是Softmax交叉熵 tf.nn.softmax_cross_entropy_with_logits 根据多类分类,或平方误差损失 tf.losses.mean_squared_error 在回归或你自己的习惯损失方面。这个 损失 使用模型假设来评估或计算函数。

因此tensorflow使用这种级联方法通过调用 tf.Session().run() 上 优化器 是的。在多分类设置中,请参见以下粗略示例:

batch_size = 128

# build the linear model
hypothesis = tf.add(tf.matmul(input_X, weight), bias)

# softmax cross entropy loss or cost function for logistic regression
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=targets,
                          logits=hypothesis))

# optimizer to minimize loss
optimizer = tf.train.GradientDescentOptimizer(learning_rate = 0.001).minimize(loss)

# execute in Session
with tf.Session() as sess:
     # initialize all variables
     tf.global_variables_initializer().run()
     tf.local_variables_initializer().run()

     # Train the model
     for steps in range(1000):
         mini_batch = zip(range(0, X_train.shape[0],  batch_size),
                    range(batch_size, X_train.shape[0]+1, batch_size))

         # train using mini-batches
         for (start, end) in mini_batch:
             sess.run(optimizer, feed_dict = {input_X: X_features[start:end],
                                               input_y: y_targets[start:end]})