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。
|
1
2
3
4
5
6
7
|
def focal_loss(): ... return xxdef fbeta_score(): ... return yymodel.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。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
|
#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0def 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loss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。
model = load_model('./unet_' + label + '_20.h5',custom_objects={'binary_focal_loss_fixed': binary_focal_loss(),'dice_coef': dice_coef})
以上這篇keras自定義損失函數并且模型加載的寫法介紹就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持服務器之家。
原文鏈接：https://blog.csdn.net/u010420283/article/details/90232926
