RNN（keras）的欧氏距离损失函数

我想将欧几里德距离设置为LSTM或RNN的损失函数

这种函数应该有什么输出：float（批大小）或（批大小，时间步长）

模型输入X_序列为（n_样本、时间步长、数据尺寸）。 Y_列车的尺寸相同

示例代码：

def euc_dist_keras（x，y）：
返回K.sqrt（K.sum（K.square（x-y），轴=-1，keepdims=True））
模型=顺序（）
添加（SimpleRN（n_单位，activation='relu'，input_shape=（时间步长，数据大小），return_sequences=True））
model.add（密集（n_输出，activation='linear'））
compile（loss=euc\u dist\u keras，optimizer='adagrad'）
模型.拟合（y_序列，y_序列，批量大小=512，历代数=10）

---

那么，我应该平均时间步长维度和/或批次大小的损失吗？

损失函数将采用预测和真实标签，并将输出标量，单位为Keras：

from keras import backend as K 
def euc_dist_keras(y_true, y_pred):
    return K.sqrt(K.sum(K.square(y_true - y_pred), axis=-1, keepdims=True))

请注意，它不会将

X_train

作为输入。损耗计算遵循正向传播步骤，其值提供预测标签与真实标签相比的优点

这种函数应该有什么输出：float（批量大小）或 （批次大小、时间步长）

损失函数应该有标量输出

那么，我应该在时间步长维度和/或批量大小上平均损失吗

将欧几里德距离用作损失函数不需要这样做

旁注：在你的情况下，我认为问题可能在于神经网络架构，而不是损失。给定

（批大小、时间步长、数据步长）

时，

SimpleRN

的输出将是

（批大小、时间步长、n单位）

，而

密集层的输出将是
（批大小、n单位）
。因此，如果您的
Y\u序列
具有
形状（批大小、时间步长、数据大小）
，您可能需要使用
TimeDistributed
对每个时间片应用
密集
，并调整完全连接层中隐藏单元的数量