自定义损失函数，Keras \\ ValueError：无渐变

如何解决自定义损失函数，Keras \\ ValueError：无渐变

我正在尝试将我的Keras神经网络包装在class对象中。我已经在类设置之外实现了以下内容，但我想使其更加对象友好。 总而言之，我的model调用了函数sequential_model，该函数创建了一个sequential模型。在compile步骤中，我定义了自己的损失函数weighted_categorical_crossentropy，我希望该模型能够实现。 但是，当我运行下面的代码时，出现以下错误：ValueError: No gradients provided for any variable:

我怀疑问题出在我如何定义weighted_categorical_crossentropy使用sequential函数的地方。

同样，我能够以非面向对象的方式来完成这项工作。任何帮助将不胜感激。

from tensorflow.keras import Sequential,backend as K

class MyNetwork(): 
        
    def __init__(self,file,n_output=4,n_hidden=20,epochs=3,dropout=0.10,batch_size=64,metrics = ['categorical_accuracy'],optimizer = 'rmsprop',activation = 'softmax'):

    [...] //Other Class attributes
 
    def model(self):
        self.model = self.sequential_model(False)
        self.model.summary()


    def sequential_model(self,val):
        K.clear_session()
        if val == False:
            self.epochs = 3
        regressor = Sequential()
        #regressor.run_eagerly = True
        regressor.add(LSTM(units = self.n_hidden,dropout=self.dropout,return_sequences = True,input_shape = (self.X.shape[1],self.X.shape[2])))
        regressor.add(LSTM(units = self.n_hidden,return_sequences = True))
        regressor.add(Dense(units = self.n_output,activation=self.activation))
    
        self.weights = np.array([0.025,0.225,0.78,0.020])

        regressor.compile(optimizer = self.optimizer,loss = self.weighted_categorical_crossentropy(self.weights),metrics = [self.metrics])
        regressor.fit(self.X,self.Y*1.0,batch_size=self.batch_size,epochs=self.epochs,verbose=1,validation_data=(self.Xval,self.Yval*1.0))

        return regressor

    def weighted_categorical_crossentropy(self,weights):
        weights = K.variable(weights)
        def loss(y_true,y_pred):
            y_pred /= K.sum(y_pred,axis=-1,keepdims=True)
            y_pred = K.clip(y_pred,K.epsilon(),1 - K.epsilon())
            loss = y_true * K.log(y_pred) * weights
            loss = -K.sum(loss,-1)
            return loss

解决方法

上述代码存在一些问题，但最值得注意的是您没有从loss返回weighted_categorical_crossentropy。它看起来应该更像：

    def weighted_categorical_crossentropy(self,weights):
        weights = K.variable(weights)
        def loss(y_true,y_pred):
            y_pred /= K.sum(y_pred,axis=-1,keepdims=True)
            y_pred = K.clip(y_pred,K.epsilon(),1 - K.epsilon())
            loss = y_true * K.log(y_pred) * weights
            loss = -K.sum(loss,-1)
            return loss
        return loss # Return the callable function!

错误为ValueError: No gradients provided for any variable，因为丢失方法 不返回任何内容，它返回None！如果尝试使用loss=None拟合方法，则该模型将无法计算梯度，因此将引发相同的确切误差。

下一步是在非经常性图层之前的图层中使用return_sequences = True。这将导致Dense层在格式错误的数据上被调用，这仅适用于循环层。不要那样使用。
如果您有充分的理由使用return_sequences = True，则必须添加Dense层，例如：

model.add(keras.layers.TimeDistributed(keras.layers.Dense(...)))

这将导致Dense层在每个时间步 上分别作用于输出序列。这也意味着您的y_true必须具有适当的形状。

您定义的自定义损失函数可能还有其他问题，但是我无法推断出输入/输出形状，因此您必须运行它并添加它是否有效。可能会出现矩阵乘法形状不匹配的情况。

最后但并非最不重要的一点，请考虑使用Sub-classing API。它可以使您的任何操作更容易编写吗？

感谢您的阅读，我将在得到该信息后更新此答案。干杯。