缩减定制keras训练损失函数中的数据

Question

我为我的LSTM模型（RMSE函数）定义了一个自定义的损失函数，如下所示：

def RMSE(y_true, y_pred):
        return K.sqrt(K.mean(K.square(y_pred - y_true)))

到目前为止一切都很好，但问题是我将输入数据扩展到[-1,1]的范围内，因此报告的损失将与此比例相关联，我希望模型报告训练损失我的原始数据的范围，例如通过在y_true和y_pred上以某种方式应用scaler.inverse_transform函数，但没有运气这样做...因为它们是张量而scaler.inverse_transform需要numpy数组....

任何想法如何强制重新缩放数据并以正确的比例报告损失值？

Answer 1

scaler.inverse_transform主要使用scaler.min_和scaler.scale_参数来转换sklearn.preprocessing.minmaxscaler中的数据。一个例子：

from sklearn.preprocessing import MinMaxScaler
import numpy as np

data = np.array([[-1, 2], [-0.5, 6], [0, 10], [1, 18]])
scaler = MinMaxScaler()
data_trans = scaler.fit_transform(data)
print('transform:\n',data_trans)

data_inverse = (data_trans - scaler.min_)/scaler.scale_
print('inverse transform:\n',data_inverse)

# print
transform:
 [[0.   0.  ]
 [0.25 0.25]
 [0.5  0.5 ]
 [1.   1.  ]]
inverse transform:
 [[-1.   2. ]
 [-0.5  6. ]
 [ 0.  10. ]
 [ 1.  18. ]]

所以你只需要用它们来实现你在RMSE功能中的目标。

def RMSE_inverse(y_true, y_pred):
    y_true = (y_true - K.constant(scaler.min_)) / K.constant(scaler.scale_)
    y_pred = (y_pred - K.constant(scaler.min_)) / K.constant(scaler.scale_)
    return K.sqrt(K.mean(K.square(y_pred - y_true)))