keras自定义损失函数并且模型加载的写法介绍
131 浏览量
2020-12-17
08:38:15
上传
评论 1
收藏 48KB PDF 举报
keras自定义损失函数并且模型加载的写法介绍自定义损失函数并且模型加载的写法介绍
keras自定义函数时候，正常在模型里自己写好自定义的函数，然后在模型编译的那行代码里写上接口即可。如下所
示，focal_loss和fbeta_score是我们自己定义的两个函数，在model.compile加入它们，metrics里‘accuracy’是keras自带的度
量函数。
def focal_loss():
...
return xx
def fbeta_score():
...
return yy
model.compile(optimizer=Adam(lr=0.0001), loss=[focal_loss],metrics=['accuracy',fbeta_score] )
训练好之后，模型加载也需要再额外加一行，通过load_model里的custom_objects将我们定义的两个函数以字典的形式加入
就能正常加载模型啦。
weight_path = ‘./weights.h5’
model = load_model(weight_path,custom_objects={‘focal_loss’: focal_loss,’fbeta_score’:fbeta_score})
补充知识：补充知识：keras如何使用自定义的如何使用自定义的loss及评价函数进行训练及预测及评价函数进行训练及预测
1.有时候训练模型，现有的损失及评估函数并不足以科学的训练评估模型，这时候就需要自定义一些损失评估函数，比如focal
loss损失函数及dice评价函数 for unet的训练。
2.在训练建模中导入自定义loss及评估函数。
#模型编译时加入自定义loss及评估函数
model.compile(optimizer = Adam(lr=1e-4), loss=[binary_focal_loss()],
metrics=['accuracy',dice_coef])
#自定义loss及评估函数
def binary_focal_loss(gamma=2, alpha=0.25):
"""
Binary form of focal loss.
适用于二分类问题的focal loss
focal_loss(p_t) = -alpha_t * (1 - p_t)**gamma * log(p_t)
where p = sigmoid(x), p_t = p or 1 - p depending on if the label is 1 or 0, respectively.
References:
https://arxiv.org/pdf/1708.02002.pdf
Usage:
model.compile(loss=[binary_focal_loss(alpha=.25, gamma=2)], metrics=["accuracy"], optimizer=adam)
"""
alpha = tf.constant(alpha, dtype=tf.float32)
gamma = tf.constant(gamma, dtype=tf.float32)
def binary_focal_loss_fixed(y_true, y_pred):
"""
y_true shape need be (None,1)
y_pred need be compute after sigmoid
"""
y_true = tf.cast(y_true, tf.float32)
alpha_t = y_true * alpha + (K.ones_like(y_true) - y_true) * (1 - alpha)
p_t = y_true * y_pred + (K.ones_like(y_true) - y_true) * (K.ones_like(y_true) - y_pred) + K.epsilon()
focal_loss = - alpha_t * K.pow((K.ones_like(y_true) - p_t), gamma) * K.log(p_t)
return K.mean(focal_loss)
return binary_focal_loss_fixed
#'''
#smooth 参数防止分母为0
def dice_coef(y_true, y_pred, smooth=1):
intersection = K.sum(y_true * y_pred, axis=[1,2,3])
union = K.sum(y_true, axis=[1,2,3]) + K.sum(y_pred, axis=[1,2,3])
return K.mean( (2. * intersection + smooth) / (union + smooth), axis=0)
注意在模型保存时，记录的loss函数名称：你猜是哪个
评论0