Чувствительная к затратам функция потерь в Tensorflow

Question

Я занимаюсь исследованием чувствительной к стоимости нейронной сети на основе Tensorflow. Но из-за статической структуры графа Tensorflow. Некоторая структура NN не могла быть реализована мной.

Моя функция потерь (стоимость), матрица затрат и прогресс вычислений описаны ниже, и моя цель - вычислить общую стоимость и затем оптимизировать NN:

Приблизительно вычислительный прогресс:

• y_ является последним выходом полного подключения CNN, который имеет форму (1024,5)
• y Тензор, который имеет форму (1024) и указывает основную истину x[i]
• y_soft[i] [j] указывает на вероятность x[i] быть классом j

Как я могу реализовать это в Tensorflow?

Answer 1

cost_matrix:

[[0,1,100],
[1,0,1],
[1,20,0]]

этикетка:

[1,2]

у *:

[[0,1,0],
[0,0,1]]

у (прогноз):

[[0.2,0.3,0.5],
[0.1,0.2,0.7]]

этикетки,cost_matrix->cost_embedding:

[[1,0,1],
[1,20,0]]

Очевидно, что 0,3 в [0,2,0,3,0,5] относится к правомерной вероятности [0,1,0], поэтому оно не должно приводить к потере.

0,7 в [0,1,0,2,0,7] то же самое. Другими словами, pos со значением 1 в y * не соответствует потере.

Итак, у меня (1-й *):

[[1,0,1],
[1,1,0]]

Тогда энтропия - это цель * log (прогноз) + (1-цель) * log (1-прогноз), а значение 0 в y *, следует использовать (1-цель) * log (1-прогноз), поэтому я использую (1-предсказание) сказал (1-й)

1-й:

[[0.8,*0.7*,0.5],
[0.9,0.8,*0.3*]]

(курсив num бесполезен)

таможенная потеря

[[1,0,1], [1,20,0]]   *   log([[0.8,0.7,0.5],[0.9,0.8,0.3]])    *  
[[1,0,1],[1,1,0]]

и вы можете увидеть (1-й *) можно сюда

поэтому потеря составляет -tf.reduce_mean(cost_embedding*log(1-y)), чтобы сделать ее применимой, должно быть:

-tf.reduce_mean(cost_embedding*log(tf.clip((1-y),1e-10)))

демо ниже

import tensorflow as tf
import numpy as np
hidden_units = 50
num_class = 3
class Model():
    def __init__(self,name_scope,is_custom):
        self.name_scope = name_scope
        self.is_custom = is_custom
        self.input_x = tf.placeholder(tf.float32,[None,hidden_units])
        self.input_y = tf.placeholder(tf.int32,[None])

        self.instantiate_weights()
        self.logits = self.inference()
        self.predictions = tf.argmax(self.logits,axis=1)
        self.losses,self.train_op = self.opitmizer()

    def instantiate_weights(self):
        with tf.variable_scope(self.name_scope + 'FC'):
            self.W = tf.get_variable('W',[hidden_units,num_class])
            self.b = tf.get_variable('b',[num_class])

            self.cost_matrix = tf.constant(
                np.array([[0,1,100],[1,0,100],[20,5,0]]),
                dtype = tf.float32
            )

    def inference(self):
        return tf.matmul(self.input_x,self.W) + self.b

    def opitmizer(self):
        if not self.is_custom:
            loss = tf.nn.sparse_softmax_cross_entropy_with_logits\
                (labels=self.input_y,logits=self.logits)
        else:
            batch_cost_matrix = tf.nn.embedding_lookup(
                self.cost_matrix,self.input_y
            )
            loss = - tf.log(1 - tf.nn.softmax(self.logits))\
                     * batch_cost_matrix

        train_op = tf.train.AdamOptimizer().minimize(loss)
        return loss,train_op

import random
batch_size = 128
norm_model = Model('norm',False)
custom_model = Model('cost',True)
split_point = int(0.9 * dataset_size)
train_set = datasets[:split_point]
test_set = datasets[split_point:]


with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(100):
        batch_index = random.sample(range(split_point),batch_size)
        train_batch = train_set[batch_index]
        train_labels = lables[batch_index]
        _,eval_predict,eval_loss = sess.run([norm_model.train_op,
                  norm_model.predictions,norm_model.losses],
                  feed_dict={
                      norm_model.input_x:train_batch,
                      norm_model.input_y:train_labels
        })
        _,eval_predict1,eval_loss1 = sess.run([custom_model.train_op,
                  custom_model.predictions,custom_model.losses],
                  feed_dict={
                      custom_model.input_x:train_batch,
                      custom_model.input_y:train_labels
        })
        # print 'norm',eval_predict,'\ncustom',eval_predict1
        print np.sum(((eval_predict == train_labels)==True).astype(np.int)),\
            np.sum(((eval_predict1 == train_labels)==True).astype(np.int))
        if i%10 == 0:
            print  'norm_test',sess.run(norm_model.predictions,
                  feed_dict={
                      norm_model.input_x:test_set,
                      norm_model.input_y:lables[split_point:]
        })
            print  'custom_test',sess.run(custom_model.predictions,
                  feed_dict={
                      custom_model.input_x:test_set,
                      custom_model.input_y:lables[split_point:]
        })