損失

損失函數的目的是計算模型在訓練期間應尋求最小化的量。

可用的損失

請注意，所有損失都可以透過類別控制代碼和函數控制代碼取得。類別控制代碼讓您可以將組態引數傳遞給建構子 (例如 loss_fn = CategoricalCrossentropy(from_logits=True))，並且當以獨立方式使用時，它們預設會執行縮減 (詳見下方)。

機率損失

迴歸損失

用於「最大邊界」分類的合頁損失

基礎損失 API

[原始碼]

`Loss` 類別

keras.losses.Loss(name=None, reduction="sum_over_batch_size", dtype=None)

損失基礎類別。

這是為了建立新的自訂損失而需要子類別化的類別。

引數

reduction：要套用至損失的縮減類型。在幾乎所有情況下，這都應該是 "sum_over_batch_size"。支援的選項為 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 會將損失加總，"sum_over_batch_size" 和 "mean" 會將損失加總並除以樣本大小，而 "mean_with_sample_weight" 會將損失加總並除以樣本權重的總和。"none" 和 None 不執行任何彙總。預設為 "sum_over_batch_size"。
name：損失執行個體的選用名稱。
dtype：損失計算的 dtype。預設為 None，表示使用 keras.backend.floatx()。keras.backend.floatx() 為 "float32"，除非設定為不同的值 (透過 keras.backend.set_floatx())。如果提供 keras.DTypePolicy，則將會使用 compute_dtype。

要由子類別實作

call()：包含使用 y_true、y_pred 進行損失計算的邏輯。

子類別實作範例

class MeanSquaredError(Loss):
    def call(self, y_true, y_pred):
        return ops.mean(ops.square(y_pred - y_true), axis=-1)

搭配 `compile()` 和 `fit()` 使用損失

損失函數是編譯 Keras 模型所需的兩個引數之一

import keras
from keras import layers

model = keras.Sequential()
model.add(layers.Dense(64, kernel_initializer='uniform', input_shape=(10,)))
model.add(layers.Activation('softmax'))

loss_fn = keras.losses.SparseCategoricalCrossentropy()
model.compile(loss=loss_fn, optimizer='adam')

所有內建損失函數也可以透過其字串識別碼傳遞

# pass optimizer by name: default parameters will be used
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam')

損失函數通常是透過實例化損失類別 (例如 keras.losses.SparseCategoricalCrossentropy) 來建立。所有損失也以函數控制代碼 (例如 keras.losses.sparse_categorical_crossentropy) 的形式提供。

使用類別可讓您在實例化時傳遞組態引數，例如：

loss_fn = keras.losses.SparseCategoricalCrossentropy(from_logits=True)

損失的獨立使用

損失是可呼叫的物件，其引數為 loss_fn(y_true, y_pred, sample_weight=None)

y_true：實際值，形狀為 (batch_size, d0, ... dN)。對於稀疏損失函數，例如稀疏類別交叉熵，形狀應為 (batch_size, d0, ... dN-1)
y_pred：預測值，形狀為 (batch_size, d0, .. dN)。
sample_weight：選用的 sample_weight 作為每個樣本損失的縮減權重係數。如果提供純量，則損失只會依給定值縮放。如果 sample_weight 是大小為 [batch_size] 的張量，則批次中每個樣本的總損失會依 sample_weight 向量中的對應元素重新縮放。如果 sample_weight 的形狀為 (batch_size, d0, ... dN-1) (或可以廣播到此形狀)，則 y_pred 的每個損失元素都會依 sample_weight 的對應值縮放。(關於 dN-1 的注意事項：所有損失函數都會縮減 1 個維度，通常 axis=-1。)

依預設，損失函數會針對批次維度中的每個輸入樣本傳回一個純量損失值，例如：

>>> from keras import ops
>>> keras.losses.mean_squared_error(ops.ones((2, 2,)), ops.zeros((2, 2)))
<Array: shape=(2,), dtype=float32, numpy=array([1., 1.], dtype=float32)>

但是，損失類別執行個體具有 reduction 建構子引數，預設為 "sum_over_batch_size" (即平均值)。允許的值為 "sum_over_batch_size"、"sum" 和 "none"

"sum_over_batch_size" 表示損失執行個體將傳回批次中每個樣本損失的平均值。
"sum" 表示損失執行個體將傳回批次中每個樣本損失的總和。
"none" 表示損失執行個體將傳回每個樣本損失的完整陣列。

>>> loss_fn = keras.losses.MeanSquaredError(reduction='sum_over_batch_size')
>>> loss_fn(ops.ones((2, 2,)), ops.zeros((2, 2)))
<Array: shape=(), dtype=float32, numpy=1.0>

>>> loss_fn = keras.losses.MeanSquaredError(reduction='sum')
>>> loss_fn(ops.ones((2, 2,)), ops.zeros((2, 2)))
<Array: shape=(), dtype=float32, numpy=2.0>

>>> loss_fn = keras.losses.MeanSquaredError(reduction='none')
>>> loss_fn(ops.ones((2, 2,)), ops.zeros((2, 2)))
<Array: shape=(2,), dtype=float32, numpy=array([1., 1.], dtype=float32)>

請注意，這是損失函數 (例如 keras.losses.mean_squared_error) 與預設損失類別執行個體 (例如 keras.losses.MeanSquaredError) 之間的重要差異：函數版本不會執行縮減，但預設情況下，類別執行個體會執行縮減。

>>> loss_fn = keras.losses.mean_squared_error
>>> loss_fn(ops.ones((2, 2,)), ops.zeros((2, 2)))
<Array: shape=(2,), dtype=float32, numpy=array([1., 1.], dtype=float32)>

>>> loss_fn = keras.losses.MeanSquaredError()
>>> loss_fn(ops.ones((2, 2,)), ops.zeros((2, 2)))
<Array: shape=(), dtype=float32, numpy=1.0>

當使用 fit() 時，此差異無關緊要，因為縮減是由框架處理。

以下說明如何在簡單的訓練迴圈中將損失類別執行個體用作一部分

loss_fn = keras.losses.CategoricalCrossentropy(from_logits=True)
optimizer = keras.optimizers.Adam()

# Iterate over the batches of a dataset.
for x, y in dataset:
    with tf.GradientTape() as tape:
        logits = model(x)
        # Compute the loss value for this batch.
        loss_value = loss_fn(y, logits)

    # Update the weights of the model to minimize the loss value.
    gradients = tape.gradient(loss_value, model.trainable_weights)
    optimizer.apply_gradients(zip(gradients, model.trainable_weights))

建立自訂損失

任何具有簽名 loss_fn(y_true, y_pred) 且傳回損失陣列 (輸入批次中每個樣本各一個) 的可呼叫物件都可以作為損失傳遞至 compile()。請注意，任何此類損失都會自動支援樣本權重。

以下是一個簡單範例

from keras import ops

def my_loss_fn(y_true, y_pred):
    squared_difference = ops.square(y_true - y_pred)
    return ops.mean(squared_difference, axis=-1)  # Note the `axis=-1`

model.compile(optimizer='adam', loss=my_loss_fn)

`add_loss()` API

套用至模型輸出的損失函數並非建立損失的唯一方法。

在撰寫自訂層或子類別化模型的 call 方法時，您可能會想要計算您想要在訓練期間最小化的純量量 (例如正規化損失)。您可以使用 add_loss() 層方法來追蹤此類損失項。

以下是一個層的範例，該層會根據輸入的 L2 範數新增稀疏性正規化損失

from keras import ops

class MyActivityRegularizer(keras.layers.Layer):
  """Layer that creates an activity sparsity regularization loss."""

    def __init__(self, rate=1e-2):
        super().__init__()
        self.rate = rate

    def call(self, inputs):
        # We use `add_loss` to create a regularization loss
        # that depends on the inputs.
        self.add_loss(self.rate * ops.sum(ops.square(inputs)))
        return inputs

透過 add_loss 新增的損失值可以在任何 Layer 或 Model 的 .losses 清單屬性中擷取 (它們會從每個底層層遞迴擷取)

from keras import layers
from keras import ops

class SparseMLP(layers.Layer):
  """Stack of Linear layers with a sparsity regularization loss."""

  def __init__(self, output_dim):
      super().__init__()
      self.dense_1 = layers.Dense(32, activation=ops.relu)
      self.regularization = MyActivityRegularizer(1e-2)
      self.dense_2 = layers.Dense(output_dim)

  def call(self, inputs):
      x = self.dense_1(inputs)
      x = self.regularization(x)
      return self.dense_2(x)


mlp = SparseMLP(1)
y = mlp(ops.ones((10, 10)))

print(mlp.losses)  # List containing one float32 scalar

這些損失會在每個正向傳遞開始時由最上層清除 – 它們不會累積。因此 layer.losses 始終僅包含在上次正向傳遞期間建立的損失。在撰寫訓練迴圈時，您通常會在使用這些損失之前將它們加總以計算您的梯度。

# Losses correspond to the *last* forward pass.
mlp = SparseMLP(1)
mlp(ops.ones((10, 10)))
assert len(mlp.losses) == 1
mlp(ops.ones((10, 10)))
assert len(mlp.losses) == 1  # No accumulation.

當使用 model.fit() 時，此類損失項會自動處理。

當撰寫自訂訓練迴圈時，您應該像這樣從 model.losses 手動擷取這些項

loss_fn = keras.losses.CategoricalCrossentropy(from_logits=True)
optimizer = keras.optimizers.Adam()

# Iterate over the batches of a dataset.
for x, y in dataset:
    with tf.GradientTape() as tape:
        # Forward pass.
        logits = model(x)
        # Loss value for this batch.
        loss_value = loss_fn(y, logits)
        # Add extra loss terms to the loss value.
        loss_value += sum(model.losses)

    # Update the weights of the model to minimize the loss value.
    gradients = tape.gradient(loss_value, model.trainable_weights)
    optimizer.apply_gradients(zip(gradients, model.trainable_weights))