使用y_pred和y_true以外的其他参数的Keras自定义损失函数

Question

我想用一个类似感知器的神经网络来解决我的问题。为了简单起见，我有一个数据集，如下所示：

id entryWoodLength entryWoodThickness cuttingToolPos1 cuttingToolPos2 exitWoodLength exitWoodThickness
1        5.5              1.6               2.1             2.2             4.2            1.6
2        5.7              1.5               2.2             2.6             4.2            1.5
3        6.5              1.8               2.6             2.7             4.3            1.6
4        5.9              1.7               2.4             2.9             4.2            1.5
5        5.8              1.5               2.2             2.6             4.1            1.5

我想尝试一个前馈神经网络，输入是木材尺寸（entryWoodLenth和entryWoodThickness），输出是切割工具的位置（cuttingToolPos1和cuttingToolPos2）。我们已经知道出口木材的理想尺寸应该是什么（比如长度为4.2，厚度为1.5）。因此，从技术上讲，我们希望我们的网络能够根据木材的实际值（exitWoodLength和exitWoodThickness）进行自我优化。这意味着使用参考值为4.2和1.5的exitWoodLength和exitWoodThickness的MSE，如下所示：

mean_squared_error(exitWoodLength, 4.2) + mean_squared_error(exitWoodThickness, 1.5)

但是，Keras只允许使用y_pred和y_true参数的自定义loss函数，在我们的例子中，这些参数是cuttingToolPos1和cuttingToolPos2，而不是我们想要的loss函数的值。我在考虑使用闭包函数，并简单地忽略y_pred和y_true参数，即：

def custom_loss(exitWoodLength, exitWoodThickness):

    def loss(y_pred, y_true):

        mean_squared_error(exitWoodLength, 4.2) + mean_squared_error(exitWoodThickness, 1.5)

        return loss

但我担心指数，以及它是否可行

有没有人经历过类似的事情？我使用神经网络的方法是正确的还是完全错误的

Answer 1

根据我的理解，您可能希望您的机器将入口块切割到接近所需尺寸（出口块）的位置，因为您试图预测所需的刀具位置，或者反过来（您的问题中不清楚）。你可以用两种方法来模拟这个问题

选项1：预测最佳刀具位置，为具有特定尺寸的输入块生成具有所需尺寸的输出块。输入：入口块（厚度和长度）和出口块（厚度和长度）；输出：最佳刀具位置

选项2：预测给定输入块尺寸和刀具位置的输出块尺寸。输入：输入块（厚度和长度）和刀具位置；输出：出口块（厚度和长度）

这两种方法都是对系统建模的有效方法，您可以根据应用选择一种，即，根据您想要预测的内容，是出口块的尺寸，还是给定输入和期望输出的最佳刀具位置

这两个选项都可以通过MSE损耗函数轻松建模