在Tensorflow損失函數中計算多指標總和

Question

我正在試驗使用相當於concordance index（c指數）的損失函數來優化神經網絡。損耗函數我想用是（在鏈路膠乳方程）

∑{i=0}^N ∑{j=i}^N \sigma ( (y_i - y_j)(y'_i - y'_j))

其中y」爲預測和y的矢量是標籤的在批處理的大小爲N的向量，和\西格瑪是sigmoid函數。我希望能夠在TensorFlow中實現這一點，但我無法找到表達雙指數總和的方法。

我已經嘗試將方程重新排列成可以用TensorFlow和Keras原語表示的不同形式，但沒有成功。我使用Keras，所以Keras或TensorFlow實現都可用。

的Python代碼是

from itertools import permutations, combinations 
a = np.arange(4) 
a = a*100 

def loss_ci(y_true, y_pred): 
summ = 0. 
total=0 
for i in range(len(y_true)): 
    for j in range(i+1,len(y_true)): 
     summ += 1/(1+np.exp(-(y_true[i]-y_true[j]) * (y_pred[i]-y_pred[j]))) 
     total+=1 
return (summ)/total 

print("y_true\t\ty_pred\t\tc-index\tloss") 
for c in permutations(a,3): 
for d in combinations(a,3): 
    print(c, d, "\t{:.4f}".format(ci(c, d)), "\t{:.4f}".format(loss_ci(c, d))) 

Answer 1

損失可以用張量流作爲顯示在下面的代碼來計算：

from itertools import permutations, combinations 
a = np.arange(4) 
a = a*100 

def loss_ci(y_true, y_pred): 
summ = 0. 
total=0 
for i in range(len(y_true)): 
    for j in range(i+1,len(y_true)): 
     summ += 1/(1+np.exp(-(y_true[i]-y_true[j]) * (y_pred[i]-y_pred[j]))) 


return (summ) 

def tf_loss_ci(y_true, y_pred): 
    Y = tf.constant(y_true) 
    _Y = tf.constant(y_pred) 
    S = tf.sigmoid(tf.multiply((Y[tf.newaxis,:]-Y[:,tf.newaxis]),(_Y[tf.newaxis,:]-_Y[:,tf.newaxis]))) 
    S = tf.reduce_sum(tf.matrix_set_diag(S,tf.zeros_like(Y)))/2 
    sess = tf.InteractiveSession() 
    tf.global_variables_initializer().run() 
    return S.eval() 

print("y_true\t\ty_pred\t\ttensorloss\tloss") 
for c in permutations(a,3): 
    for d in combinations(a,3): 
    print(c, d, "\t{:.4f}".format(tf_loss_ci(np.asarray(c, np.float32), np.array(d, np.float32))), "\t{:.4f}".format(loss_ci(c, d)))