Keras 建立自定义损失函数时出错

我尝试建立我自己的损失函数，如下所示

将numpy导入为np
从keras导入后端为K
def MyLoss（自我、x_输入、x_重构）：
a=np.复制（x_）
a=np.asarray（a，dtype='float16'）
a=np.楼层（4*a）/4
返回K.mean（K.square（a-x_输入），轴=-1）`

在汇编中，它说 ValueError:使用序列设置数组元素

x_输入和x_重构都是[m，n，1]np数组。最后一行代码实际上是直接从Keras的内置MSE损耗函数复制的

另外，我想损失是按每个样品计算的。如果输入和重构输入的尺寸均为[m，n，1]，Keras的内置损耗结果也将为矩阵大小[m，n]。那么为什么它能正常工作呢

然后我试着直接用

def MyLoss（self，x_输入，x_重构）：
a=np.复制（x_）
a=np.asarray（a，dtype=self.precision）
a=np.楼层（4*a）/4
Diff=a-x_输入
xx=np.平均值（np.平方（差异），轴=-1）
yy=np.和（xx）
返回yy

但错误依然存在。我犯了什么错误？该如何编写代码

借用了别人的建议，我试着照做

def MyLoss（self，x_输入，x_重构）：
如果self.precision==“float16”：
K.set_floatx（‘float16’）
K.set_ε（1e-4）
a=K.cast_至_浮动x（x_输入）
a=K圆（a*4-0.5）/4.0
返回K.sum（K.mean（K.square（x_输入-a），轴=-1））

---

但是同样的错误也会发生

您不能在丢失中使用

numpy

数组。您必须使用

TensorFlow

或

Keras

后端操作。试试这个，也许：

import tensorflow as tf
import keras.backend as K

def MyLoss(x_input, x_reconstruct):
    a = tf.cast(x_input, dtype='tf.float16')       
    a = tf.floor(4*a)/4
    return K.mean(K.square(a - x_input), axis=-1)

---

您不能在丢失中使用

numpy

数组。您必须使用

TensorFlow

或

Keras

后端操作。试试这个，也许：

import tensorflow as tf
import keras.backend as K

def MyLoss(x_input, x_reconstruct):
    a = tf.cast(x_input, dtype='tf.float16')       
    a = tf.floor(4*a)/4
    return K.mean(K.square(a - x_input), axis=-1)

---

我自己找到了答案，让我在这里分享

如果我写这样的代码

def MyLoss（self，y_true，y_pred）：
如果self.precision==“float16”：
K.set_floatx（‘float16’）
K.set_ε（1e-4）
返回K.均值（K.平方（y_真-K.圆（y_pred*4.-0.5）/4.0），轴=-1）

---

它起作用了。我认为，诀窍在于我不能使用“K.cast\u to\u floatx（y\u true）”。相反，只需直接使用y_true。我仍然不明白为什么…

我自己找到了答案，让我在这里分享

如果我写这样的代码

def MyLoss（self，y_true，y_pred）：
如果self.precision==“float16”：
K.set_floatx（‘float16’）
K.set_ε（1e-4）
返回K.均值（K.平方（y_真-K.圆（y_pred*4.-0.5）/4.0），轴=-1）

---

它起作用了。我认为，诀窍在于我不能使用“K.cast\u to\u floatx（y\u true）”。相反，只需直接使用y_true。我仍然不明白为什么…

有两个建议可以帮助调试这个问题：1）在返回语句前面插入一行，

print（“got here”）

，这样您就可以验证问题是否与最后一行的计算有关；2） 输出x_input.shape和a.shape以查看它们是否兼容。恐怕无法工作。当我调用

model.compile（loss=self.MyLoss，optimizer=CurOptimizer，metrics=CurMetrics）

时，错误甚至在代码到达那里之前就发生了。有两个建议可以帮助调试这个问题：1）在返回语句

print（“got here”）

之前插入一行，这样你就可以验证问题出在最后一行的计算上；2） 输出x_input.shape和a.shape以查看它们是否兼容。恐怕无法工作。当我调用

model.compile（loss=self.MyLoss，optimizer=CurOptimizer，metrics=CurMetrics）