Machine learning Keras中两个损失的总和（感知和MSE）

我想将目标函数中的感知损失添加到MSE损失中。我为此编写了以下代码：

def自定义目标（y_真，y_pred）：
tosub=K.常数（[103.939116.779123.68]）
y1=vgg_模型（y_pred*255.-tosub）
y2=vgg_模型（y_真*255.-tosub）
损耗2=K.平均值（K.平方（y2-y1），轴=-1）
loss1=K.平均值（K.平方（y_pred-y_true），轴=-1）
损耗=损耗1+损耗2
回波损耗

---

问题是

loss1

的形状类似于

（BatchSize，224，224）

，但

loss2

的形状是

（BatchSize，7，7）

，因此它给出了关于不兼容形状的错误，这是正确的。我想知道如何正确地添加这两个？我应该先解开吗？如何实现？

损失函数应始终返回标量（批次中的每个样本或整个批次），因为我们希望最小化它（即，除非定义“最小化向量”的含义，否则无法最小化向量）。因此，将其简化为标量的一种简单方法是在所有轴上取平均值，但批处理轴除外，批处理轴在内部取平均值：

loss2 = K.mean(K.square(y2 - y1), axis=[1,2,3])
loss1 = K.mean(K.square(y_pred - y_true), axis=[1,2,3])
loss = loss1 + loss2

---

更新：让我澄清一下，如果损失函数返回一个向量，甚至是一个n-D数组（实际上，上面的损失函数返回一个长度为

批次大小的向量），这是可以的，但请记住，在最后，这是损失的真实值（可以最小化）。
是的，谢谢。我只想知道，当输出为image时，keras本身会返回均方误差的非定标值，因此它会自动得到它们的和或平均值？@Panda是的，正如您在内部提到的，它会平均值，即使损失函数返回向量。事实上，我已经写了一篇关于这方面的文章，如果你有兴趣了解更多的话。