最大化Keras模型的MSE

我有一个生成式对抗网络，其中通过MSE使鉴别器最小化，并且使生成器最大化。因为两者都是追求相反目标的对手。

generator = Sequential()
generator.add(Dense(units=50, activation='sigmoid', input_shape=(15,)))
generator.add(Dense(units=1, activation='sigmoid'))
generator.compile(loss='mse', optimizer='adam')

generator.train_on_batch(x_data, y_data)

为了获得可以从高MSE值中获利的生成器模型，我必须适应什么？

更新：

原始的MSE实现如下所示：

def mean_squared_error(y_true, y_pred):
    if not K.is_tensor(y_pred):
        y_pred = K.constant(y_pred)
    y_true = K.cast(y_true, y_pred.dtype)
    return K.mean(K.square(y_pred - y_true), axis=-1)

我认为正确的最大化器损失函数：

def mean_squared_error_max(y_true, y_pred):
    if not K.is_tensor(y_pred):
        y_pred = K.constant(y_pred)
    y_true = K.cast(y_true, y_pred.dtype)
    return K.mean(K.square(1 / (y_pred - y_true)), axis=-1)

这样，我们总是获得正的损耗值，就像MSE函数一样，但是效果相反。

更新2： 最初我写的，是直观的第一个想法简单地否定损失将不给予我们所期望的，因为的优化方法基本概念的结果（你可以读到一篇有趣的讨论，在这里）。在我仔细检查了两种方法在特定学习任务中的结果之后（注意：我没有进行全面测试），这两种方法都使损失最大化，尽管该-loss方法收敛得更快。由于此处描述的可能问题，我不确定是否总是提供最佳解决方案或任何解决方案。如果有人有其他经验，请告诉我。

因此，如果有人也想尝试一下-loss：

def mean_squared_error(y_true, y_pred):
    if not K.is_tensor(y_pred):
        y_pred = K.constant(y_pred)
    y_true = K.cast(y_true, y_pred.dtype)
    return - K.mean(K.square(y_pred - y_true), axis=-1)

额外细节：

OP写道：

我有一个生成式对抗网络，其中通过MSE使鉴别器最小化，并且使生成器最大化。因为两者都是追求相反目标的对手。

从Ibragil提供的链接中：

同时，生成器正在创建新的合成图像，并将其传递给鉴别器。这样做是为了希望即使它们是假的，它们也将被认为是真实的。生成器的目标是生成可传递的手写数字：说谎而不被抓住。鉴别器的目的是将来自发生器的图像识别为伪造的。

所以这是一个不适的问题：

在GAN中，我们的最终目标是训练我们的两个对手，使鉴别器和生成器在彼此之间表现得尽可能好。这意味着，这两个基础学习算法具有不同的任务，但是可以实现最优解的损失函数是相同的，即binary_crossentropy，因此模型的任务是最大程度地减少这种损失。

一个鉴别模型的编译方法：

self.discriminator.compile(loss='binary_crossentropy', optimizer=optimizer)

一个发电机模型的编译方法：

self.generator.compile(loss='binary_crossentropy', optimizer=optimizer)

就像两个跑步者的目标一样，即使他们在这项任务中是竞争对手，也要尽可能减少到达终点的时间。

因此，“相反的目标”并不意味着相反的任务，即最大程度地减少损失（例如，使跑步者的时间最少）。

希望对您有所帮助。

这个问题对我来说不是很清楚。我想您想在使用MSE的标准时最大化而不是最小化。

您可以实现自己的自定义损失函数，该函数计算-MSE；翻转损耗的符号，从而实现梯度下降方向的翻转。

def negative_mse(y,yhat): 
    return - K.mean(K.sum(K.square(y-yhat)))

model.compile(loss=negative_mse, optimizer='adam')

另一种选择是简单地提供否定的学习步骤-但我不确定Keras是否允许您这样做。值得一试。