keras自定義損失函數并且模型加載的寫法介紹

更新時間：2020年06月15日 08:38:37 作者：Briwisdom

這篇文章主要介紹了keras自定義損失函數并且模型加載的寫法介紹，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

keras自定義函數時候，正常在模型里自己寫好自定義的函數，然后在模型編譯的那行代碼里寫上接口即可。如下所示，focal_loss和fbeta_score是我們自己定義的兩個函數，在model.compile加入它們，metrics里‘accuracy'是keras自帶的度量函數。

def focal_loss():
 ...
 return xx
def fbeta_score():
 ...
 return yy
model.compile(optimizer=Adam(lr=0.0001), loss=[focal_loss],metrics=['accuracy',fbeta_score] )

訓練好之后，模型加載也需要再額外加一行，通過load_model里的custom_objects將我們定義的兩個函數以字典的形式加入就能正常加載模型啦。

weight_path = './weights.h5'
model = load_model(weight_path,custom_objects={'focal_loss': focal_loss,'fbeta_score':fbeta_score})

補充知識：keras如何使用自定義的loss及評價函數進行訓練及預測

1.有時候訓練模型，現(xiàn)有的損失及評估函數并不足以科學的訓練評估模型，這時候就需要自定義一些損失評估函數，比如focal loss損失函數及dice評價函數 for unet的訓練。

2.在訓練建模中導入自定義loss及評估函數。

#模型編譯時加入自定義loss及評估函數
model.compile(optimizer = Adam(lr=1e-4), loss=[binary_focal_loss()],
    metrics=['accuracy',dice_coef])

#自定義loss及評估函數
def binary_focal_loss(gamma=2, alpha=0.25):
 """
 Binary form of focal loss.
 適用于二分類問題的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 參數防止分母為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)

注意在模型保存時，記錄的loss函數名稱：你猜是哪個

a：binary_focal_loss（）

b：binary_focal_loss_fixed

3.模型預測時，也要加載自定義loss及評估函數，不然會報錯。

該告訴上面的答案了，保存在模型中l(wèi)oss的名稱為：binary_focal_loss_fixed，在模型預測時，定義custom_objects字典，key一定要與保存在模型中的名稱一致，不然會找不到loss function。所以自定義函數時，盡量避免使用我這種函數嵌套的方式，免得帶來一些意想不到的煩惱。