代码之家 › 专栏 › 技术社区 › thebeancounter

具有tf.contrib.loss.metric_learning.triplet_semihard_损失断言错误的keras模型

deep-learning keras machine-learning tensorflow python

2

thebeancounter · 技术社区 · 7 年前

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())

“/home/user/.local/lib/python3.6/site-packages/keras/engine/training_-utils.py”, 第404行,以加权形式显示 score_array=fn(y_true,y_pred)文件“/home/user/anaconda3/envs/siames/lib/python3.6/site packages/tensorflow/contrib/loss/python/metric_learning/metric_loss_ops.py”, 第179行,三线半硬损耗 assert lshape.shape==1 AssertionError

当我使用keras损耗函数的同一个网络时,它工作得很好,我尝试将tf损耗函数封装在这样一个函数中

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

更新: 更改func以返回以下内容时

return K.categorical_crossentropy(y_true, y_pred)

一切正常!

当我进入tf.contrib.loss.metric_learning.triplet_semihard_loss并删除这行代码时: assert lshape.shape == 1 它运行良好

谢谢

2 回复 | 直到 7 年前

1

Misha Bortnikov 7 年前

问题是您将错误的输入传递到损失函数。

根据 triplet_semihard_loss docstring 你需要通过 labels 和 embeddings .

因此,您的代码必须是:

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

最后的致密层必须无激活
别忘了将输出向量归一化 model.add(Lambda(lambda x: K.l2_normalize(x, axis=1)))

2

-1

gab 7 年前

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.

你确定吗 y_true 有正确的形状吗?你能给我们更多关于你使用的张量的细节吗?