Keras 中验证集的不同损失函数

我有不平衡training数据集，这就是我构建自定义数据集的原因weighted categorical cross entropy loss功能。但问题是我的validation集合是平衡的，我想使用常规的分类交叉熵损失。那么我可以在 Keras 中为验证集传递不同的损失函数吗？我的意思是用于训练的加权集和用于验证集的常规集？

def weighted_loss(y_pred, y_ture):
 '
 '
 '


return loss

model.compile(loss= weighted_loss, metric='accuracy')

你可以试试后台功能K.in_train_phase()，这是由Dropout and BatchNormalization层在训练和验证中实现不同的行为。

def custom_loss(y_true, y_pred):
    weighted_loss = ... # your implementation of weighted crossentropy loss
    unweighted_loss = K.sparse_categorical_crossentropy(y_true, y_pred)
    return K.in_train_phase(weighted_loss, unweighted_loss)

第一个参数K.in_train_phase()是训练阶段使用的张量，第二个是测试阶段使用的张量。

例如，如果我们设置weighted_loss为0（只是为了验证效果K.in_train_phase()功能）：

def custom_loss(y_true, y_pred):
    weighted_loss = 0 * K.sparse_categorical_crossentropy(y_true, y_pred)
    unweighted_loss = K.sparse_categorical_crossentropy(y_true, y_pred)
    return K.in_train_phase(weighted_loss, unweighted_loss)

model = Sequential([Dense(100, activation='relu', input_shape=(100,)), Dense(1000, activation='softmax')])
model.compile(optimizer='adam', loss=custom_loss)
model.outputs[0]._uses_learning_phase = True  # required if no dropout or batch norm in the model

X = np.random.rand(1000, 100)
y = np.random.randint(1000, size=1000)
model.fit(X, y, validation_split=0.1)

Epoch 1/10
900/900 [==============================] - 1s 868us/step - loss: 0.0000e+00 - val_loss: 6.9438

可以看到，训练阶段的loss确实是1乘以0。

请注意，如果您的模型中没有 dropout 或批量归一化，您需要手动“打开”_uses_learning_phase布尔开关，否则K.in_train_phase()默认情况下不会有任何影响。