Keras中具有附加动态参数的自定义自适应损失函数

我必须使用一个自适应自定义损失函数，该函数在keras中接受一个额外的动态参数（

eps

）。参数

eps

是一个标量，但从一个样本到另一个样本发生变化：因此，应在训练期间调整损失函数。我使用一个生成器，我可以在培训期间通过生成器的每次调用传递此参数（

generator\u train[2]

）。根据对类似问题的回答，我试着写以下内容：

def custom_loss(eps):
    def square_err(y_true, y_pred):
        nom = K.sum(K.square(y_pred - y_true), axis=-1)
        denom = eps**2
        loss = nom/denom
        return loss
    return square_err

但我正在努力实现它，因为

eps

是一个动态变量：我不知道在训练期间如何将此参数传递给损失函数（

model.fit

）。以下是我的模型的简单版本：

model = keras.Sequential()
model.add(layers.LSTM(units=32, input_shape=(32, 4))
model.add(layers.Dense(units=1))
model.add_loss(custom_loss)
opt = keras.optimizers.Adam()
model.compile(optimizer=opt)
history = model.fit(x=generator_train[0], y=generator_train[1],
                    steps_per_epoch=100
                    epochs=50,
                    validation_data=gen_vl,
                    validation_steps=n_vl)

非常感谢您的帮助。

只需传递“样本权重”，即每个样本的

1/（eps**2）

您的生成器应该只输出

x，y，sample\u权重

，仅此而已

您的损失可能是：

def loss(y_true, y_pred):
    return K.sum(K.square(y_pred - y_true), axis=-1)

---

在

fit

中，您不能在生成器中使用索引，您将只通过

generator\u train

，不通过

x

，不通过

y

，只通过

generator\u train

非常感谢Daniel的回答。为了确保我能很好地理解您的意思：我是否应该指出我想要传递样本重量的任何位置？它总是按此顺序获取x、y和样本权重？@Basilique，是的，生成器按此顺序输出x、y和样本权重。