Как реализовать BCEWithLogitsLoss в keras и использовать его как настраиваемую функцию потерь при использовании Tensorflow в качестве бэкэнда.
Я использовал BCEWithLogitsLoss в PyTorch, который был определен в torch.
Как реализовать то же самое в Керасе.?
В TensorFlow вы можете напрямую вызывать tf.nn.sigmoid_cross_entropy_with_logits который работает как в TensorFlow 1.x, так и в 2.0.
Если вы хотите придерживаться Keras API, используйте tf.losses.BinaryCrossentropy < / a> и установите from_logits=True в вызове конструктора.
В отличие от PyTorch, в API нет явных весов для каждого примера. Вместо этого вы можете установить reduction=tf.keras.losses.Reduction.NONE для потерь, выполнить взвешивание с помощью явного умножения и уменьшить потери с помощью tf.reduce_mean.
xent = tf.losses.BinaryCrossEntropy(
from_logits=True,
reduction=tf.keras.losses.Reduction.NONE)
loss = tf.reduce_mean(xent(targets, pred) * weights))
def custom_loss(data, targets): bce_loss_1 = nn.BCEWithLogitsLoss(weight=targets[:,1:2])(data[:,:1],targets[:,:1]) bce_loss_2 = nn.BCEWithLogitsLoss()(data[:,1:],targets[:,2:]) return (bce_loss_1 * loss_weight) + bce_loss_215.04.2019reduction='NONE'в построении потерь, чтобы потери не суммировались или не усреднялись в партии, примените ваши веса и явно уменьшите потери для каждого примера с помощьюtf.reduce_mean. 15.04.2019ValueErrorсInvalid Reduction Key NONE15.04.2019tf.keras.losses.Reduction.NONE15.04.2019