Deep learning 如何为多维目标定义自定义损失函数

我使用的是Tensorflow 2.0，我使用的是普通的顺序层

我正在尝试定义一个自定义损失函数，它执行以下操作：

• 获取输入的某些元素
• 计算它们的总和并反转结果
• 将结果与y_pred的一部分相乘
• 将结果约束为尽可能接近1

因此，损失函数将是L（）=MSE（）+（如上所述）

我的代码如下：

def custom_loss_wrapper(input_train):
    @tf.function
    def summing(row):
        return tf.math.reduce_sum(row, 1,keepdims=True)

    @tf.function
    def custom_loss(y_true, y_pred):
        row_M = input_train
        row_M = row_M[:, 2:5]
        sum_M = summing(row_M)
        inv_M = (1/sum_M)

        row_B = y_pred[:, :3]
        sum_B = summing(row_B)

        row_Q = tf.math.multiply(inv_M,row_B)
        alpha = 0.01
        penalty =  K.mean(K.square(sum_Q - 1))

        return K.mean(K.square(y_true - y_pred)) + (1/alpha) * penalty

    return custom_loss

---

我想知道我所做的是否正确。没有错误和训练运行，但我不知道这段代码是否符合我试图定义的内容。大多数情况下，如果考虑到批量数据而不是单个记录，这是正确的

如果它有效，您为什么怀疑它是否有效？这是一个好问题！问题是我没有办法检查培训是否有效，我没有一个基准如果有效，你为什么怀疑它有效？这是个好问题！问题是我没有办法检查培训是否有效，我没有一个基准