在Keras寫一個自定義的MSE丟失函數

Question

我想在Keras中創建一個圖像去噪ConvNet，我想創建自己的丟失函數。我希望它將噪聲圖像作爲輸入，並將噪聲作爲輸出。這種丟失功能與MSE丟失非常相似，但這會使我的網絡學會去除乾淨的圖像，而不是來自輸入噪聲圖像的噪聲。

損失函數我想和y以實現嘈雜的圖像，X乾淨的形象和R（Y）的預測圖像：

我試着通過我自己，但我要使它不知道如何讓損失訪問我嘈雜的圖像，因爲它一直在變化。

def residual_loss(noisy_img): 
    def loss(y_true, y_pred): 
    return np.mean(np.square(y_pred - (noisy_img - y_true), axis=-1) 
return loss 

基本上，我需要做的是這樣的：

input_img = Input(shape=(None,None,3)) 

c1 = Convolution2D(64, (3, 3))(input_img) 
a1 = Activation('relu')(c1) 

c2 = Convolution2D(64, (3, 3))(a1) 
a2 = Activation('relu')(c2) 

c3 = Convolution2D(64, (3, 3))(a2) 
a3 = Activation('relu')(c3) 

c4 = Convolution2D(64, (3, 3))(a3) 
a4 = Activation('relu')(c4) 

c5 = Convolution2D(3, (3, 3))(a4) 
out = Activation('relu')(c5) 

model = Model(input_img, out) 
model.compile(optimizer='adam', loss=residual_loss(input_img)) 

但如果我嘗試，我得到：

IndexError: tuple index out of range 

我能做些什麼？

Answer 1

因爲它是相當不尋常的使用的損失函數「輸入」（而不是指爲），我認爲這是值得一說：

這不是損失函數噪聲分離的作用。 損失函數只是衡量「離你有多遠」。

這是你的模型，將分開的東西，你期望從你的模型的結果是y_true。

您應該使用經常損失，X_training = noisy images和Y_training = noises。

---

也就是說......

您可以將損失函數之外創建了一個noisy_img張和保持它的存儲。損失函數內的所有操作必須是張量的功能，所以使用該keras backend：

import keras.backend as K 

noisy_img = K.variable(X_training) #you must do this for each bach 

但你必須採取批量大小考慮，這變種是喪失功能外需要你適合剛剛一批每個時代。

def loss(y_true,y_pred): 
    return K.mean(K.square(y_pred-y_true) - K.square(y_true-noisy_img)) 

培訓一個每時期批次：

for batch in range(0,totalSamples,size): 
    noisy_img = K.variable(X_training[batch:size]) 
    model.fit(X_training[batch:size],Y_training[batch:size], batch_size=size) 

---

對於只使用均方誤差，組織你的數據是這樣的：

originalImages = loadYourImages() #without noises 
Y_training = createRandomNoises() #without images 

X_training = addNoiseToImages(originalImages,Y_training) 

現在，你只需要使用一個「mse」或任何其他內置損失。

model.fit(X_training,Y_training,....)