keras - 最小化和最大化损失

我想以这样的方式训练自动编码器:在某些观察结果中，重构误差将很小，而在其他观察结果中，重构误差将很高。

from keras.model import Sequential
from keras.layers import Dense
import keras.backend as K

def l1Loss(y_true, y_pred):
    return K.mean(K.abs(y_true - y_pred))

model = Sequential()
model.add(Dense(5, input_dim=10, activation='relu'))
model.add(Dense(10, activation='sigmoid'))
model.compile(optimizer='adam', loss=l1Loss)

for i in range(1000):
    model.train_on_batch(x_good, x_good) # minimize on low
    model.train_on_batch(x_bad, x_bad, ???) # need to maximize this part, so that mse(x_bad, x_bad_reconstructed is high)

我看到了一些用???替换sample_weight=-np.ones(batch_size)的内容，但是我不知道这是否适合我的目标。

最佳答案

如果将样本权重设置为负数，则将其最小化实际上会导致其绝对值最大化。