python-3.x - 在Keras层内实现三重态损失

在此博客post中，他在Kears层之外实现了三重损失。他从网络获取anchor_out，pos_out和neg_out，然后将它们传递给他定义的triplet_loss()函数。

我想知道是否可以通过定义自己的Lambda层来计算Keras层中的Triplet_loss。

这是我的网络设计：

margin=1

anchor_input = Input((600, ), name='anchor')
positive_input = Input((600, ), name='positive_input')
negative_input = Input((600, ), name='negative_input')

# Shared embedding layer for positive and negative items
Shared_DNN = Dense(300)

encoded_anchor = Shared_DNN(anchor_input)
encoded_positive = Shared_DNN(positive_input)
encoded_negative = Shared_DNN(negative_input)

DAP = Lambda(lambda tensors:K.sum(K.square(tensors[0] - tensors[1]),axis=1,keepdims=True),name='DAP_loss') #Distance for Anchor-Positive pair
DAN = Lambda(lambda tensors:K.sum(K.square(tensors[0] - tensors[1]),axis=1,keepdims=True),name='DAN_loss') #Distance for Anchor-Negative pair
Triplet_loss = Lambda(lambda loss:K.max([(loss[0] - loss[1] + margin),0],axis=0),name='Triplet_loss') #Distance for Anchor-Negative pair

DAP_loss = DAP([encoded_anchor,encoded_positive])
DAN_loss = DAN([encoded_anchor,encoded_negative])

#call this layer on list of two input tensors.

Final_loss = Triplet_loss([DAP_loss,DAN_loss])

model = Model(inputs=[anchor_input,positive_input, negative_input], outputs=Final_loss)

但是，它给了我错误：

Tried to convert 'input' to a tensor and failed. Error: Shapes must be equal rank, but are 2 and 0
    From merging shape 0 with other shapes. for 'Triplet_loss_4/Max/packed' (op: 'Pack') with input shapes: [?,1], []

错误来自Triplet_loss层。在K.max()函数中，第一个数字loss[0] - loss[1] + margin具有形状(None,1)。第二个数字0的形状为(1)。这两个数字的形状不同，因此K.max()函数会出错。

我的问题是，如何解决此错误？
我尝试用0和K.constant(0,shape=(1,))替换K.constant(0,shape=(None,1))，但是它们不起作用。

最佳答案

这样行吗？

Triplet_loss = Lambda(lambda loss: K.maximum(loss[0] - loss[1] + margin, 0.0),
                      name='Triplet_loss')

我认为这条线的问题

Triplet_loss = Lambda(lambda loss:K.max([(loss[0] - loss[1] + margin), 0],
                      axis=0),name='Triplet_loss')

是将loss[0]-loss[1]+margin张量和0放在列表括号中，keras将此解释为连接两个张量。由于大小不匹配而失败； 0是标量，等级为0，而第一个是2d数组。这就是错误的含义。

要将张量与单个值按元素进行比较，请使用K.maximum，当参数之一为标量时，该函数会自动广播。