如何在tensorflow中实现多类hinge损失函数

Question

我想在tensorflow中实现多类hinge loss。其公式如下：

当预测正确时，我发现很难获取第二大的预测概率。我尝试使用tf.nn.top_k进行计算，但不幸的是，tf.nn.top_k没有实现梯度操作。那么我该如何实现呢？

- csz-carrot

---

你使用的是哪个版本的TF？在最新版本中，top_k有梯度。 - Yaroslav Bulatov

@csz-carrot，我知道你提出这个问题已经有一段时间了，但如果你能让它工作起来，那将会帮助很多人。如果你能在这里发布损失函数的tensorflow实现，那就太好了。谢谢。 - betelgeuse

Answer 1

top_k有梯度，是从0.8版本开始添加的，详见这里

- Yaroslav Bulatov

---

谢谢。我从TF 0.7更换到了0.8。 - csz-carrot

请提供一个TensorFlow中hinge loss的工作示例，以备将来文档使用，谢谢！ - Yaroslav Bulatov

Answer 2

只需三行代码即可添加另一个实现

scores: 未缩放的分数，张量，形状为(n_classes, batch_size)，数据类型为float32

classes: 张量，形状为(batch_size, batch_size)，数据类型为float32

要实现上述损失函数，选择最违反类别而不是考虑所有类别

#H - hard negative for each sample
H = tf.reduce_max(scores * (1 - classes), 0)    
L = tf.nn.relu((1 - scores + H) * classes)
final_loss = tf.reduce_mean(tf.reduce_max(L, 0))

另一种实现方式是对所有负类求和。

# implements loss as sum_(j~=y) max(0, 1 - s(x, y) + s(x, j))
def multiclasshingeloss1(scores, classes):
    true_classes = tf.argmax(classes, 0)
    idx_flattened = tf.range(0, scores.get_shape()[1]) * scores.get_shape()[0]+\
    tf.cast(true_classes, dtype=tf.int32)
    true_scores = tf.gather(tf.reshape(tf.transpose(scores), [-1]),
                            idx_flattened)
    L = tf.nn.relu((1 - true_scores + scores) * (1 - classes))
    final_loss = tf.reduce_mean(L)
    return final_loss

您可以根据您的实现方式来最小化这些转置。

- ksikka

Answer 3

我的实现如下，但我认为可能有更高效的实现。 logits: 未缩放的分数，张量，形状为(batch_size, n_classes) label: 张量，形状为(batch_size, )

batch_size, n_classes: 整数

def multi_class_hinge_loss(logits, label, batch_size, n_classes):
    # get the correct logit
    flat_logits = tf.reshape(logits, (-1,))
    correct_id = tf.range(0, batch_size) * n_classes + label
    correct_logit = tf.gather(flat_logits, correct_id)

    # get the wrong maximum logit
    max_label = tf.argmax(logits, 1)
    top2, _ = tf.nn.top_k(logits, k=2, sorted=True)
    top2 = tf.split(1, 2, top2)
    for i in xrange(2):
        top2[i] = tf.reshape(top2[i], (batch_size, ))
    wrong_max_logit = tf.select(tf.equal(max_label, label), top2[1], top2[0])

    # calculate multi-class hinge loss
    return tf.reduce_mean(tf.maximum(0., 1. + wrong_max_logit - correct_logit))

- csz-carrot