Programmiererforum

def p_autoencoder_loss(yTrue,yPred):

def loss(yTrue, y_Pred):
return K.mean(K.square(yTrue - yPred), axis=-1)

def a(image):
return K.mean(K.sin(image))

def b(image):
return K.sqrt(K.cos(image))

a_pred = a(yPred)
a_true = a(yTrue)

b_pred = b(yPred)
b_true = b(yTrue)

empirical_loss = (loss(yTrue, yPred))
a_loss = K.mean(K.square(a_true - a_pred))
b_loss = K.mean(K.square(b_true - b_pred))
final_loss = K.mean(empirical_loss + a_loss + b_loss)
return final_loss

Ich versuche derzeit, in Keras ein Deep-Learning-Modell mit drei verschiedenen Verlustfunktionen zu erstellen. Die erste Verlustfunktion ist der typische mittlere quadratische Fehlerverlust. Die anderen beiden Verlustfunktionen sind die, die ich selbst erstellt habe und die den Unterschied zwischen einer Berechnung aus dem Eingabebild und dem Ausgabebild ermitteln (dieser Code ist eine vereinfachte Version meiner Arbeit).

[code]def p_autoencoder_loss(yTrue,yPred):

def loss(yTrue, y_Pred):
return K.mean(K.square(yTrue - yPred), axis=-1)

def a(image):
return K.mean(K.sin(image))

def b(image):
return K.sqrt(K.cos(image))

a_pred = a(yPred)
a_true = a(yTrue)

b_pred = b(yPred)
b_true = b(yTrue)

empirical_loss = (loss(yTrue, yPred))
a_loss = K.mean(K.square(a_true - a_pred))
b_loss = K.mean(K.square(b_true - b_pred))
final_loss = K.mean(empirical_loss + a_loss + b_loss)
return final_loss
[/code]

Wenn ich jedoch mit dieser Verlustfunktion trainiere, konvergiert sie einfach nicht gut. Ich möchte versuchen, die drei Verlustfunktionen einzeln zu minimieren und nicht zusammen, indem ich sie zu einer Verlustfunktion zusammenfüge.

Ich möchte hier im Wesentlichen die zweite Option Tensorflow ausführen: Mehrere Verlustfunktionen vs. mehrere Trainingsoperationen, aber in Keras-Form. Ich möchte auch, dass die Verlustfunktionen unabhängig voneinander sind. Gibt es eine einfache Möglichkeit, dies zu tun?