汉明损失计算我们的预测错误的标签数量并对其进行归一化处理。

HammingLoss 作为指标的标准实现依赖于对错误预测的计数，大致如下:(在 TF 上)

count_non_zero = tf.math.count_nonzero(actuals - predictions)
return tf.reduce_mean(count_non_zero / actuals.get_shape()[-1])

将汉明损失实现为实际损失需要它是可微分的，由于 tf.math.count_nonzero 而不是这种情况。 另一种(和近似的)方法是以这种方式计算非零标签，但不幸的是，NN 似乎没有改进。

def hamming_loss(y_true, y_pred):
  y_true = tf.convert_to_tensor(y_true, name="y_true")
  y_pred = tf.convert_to_tensor(y_pred, name="y_pred")

  diff = tf.cast(tf.math.abs(y_true - y_pred), dtype=tf.float32)

  #Counting non-zeros in a differentiable way
  epsilon = K.epsilon()
  nonzero = tf.reduce_mean(tf.math.abs( diff / (tf.math.abs(diff) + epsilon)))

  return tf.reduce_mean(nonzero / K.int_shape(y_pred)[-1])

最后，TensorFlow 的汉明损失的正确实现是什么？

[.1] https://hal.archives-ouvertes.fr/hal-01044994/document

最佳答案

您的网络不会收敛，因为:

diff / (tf.math.abs(diff) + epsilon) 

产生一个 0 , 1 向量，它杀死了 0 和 1 上的梯度

https://stackoverflow.com/questions/58257047/