Python Keras模型的自定义损失函数给出错误答案

我试图为keras NN模型编写一个自定义损失函数，但似乎损失函数输出了错误的值。我的损失函数是

def tangle_loss3(input_tensor):
    def custom_loss(y_true, y_pred):
        true_diff = y_true - input_tensor
        pred_diff = y_pred - input_tensor
        
        normalized_diff = K.abs(tf.math.divide(pred_diff, true_diff))
        normalized_diff = tf.reduce_mean(normalized_diff)
        
        return normalized_diff
    
    return custom_loss

然后我在这个简单的前馈网络中使用它：

input_layer = Input(shape=(384,), name='input')
hl_1 = Dense(64, activation='elu', name='hl_1')(input_layer)
hl_2 = Dense(32, activation='elu', name='hl_2')(hl_1)
hl_3 = Dense(32, activation='elu', name='hl_3')(hl_2)
output_layer = Dense(384, activation=None, name='output')(hl_3)

optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)

model = tf.keras.models.Model(input_layer, output_layer)
model.compile(loss=tangle_loss3(input_layer), optimizer=optimizer)

然后为了测试损失函数是否有效，我创建了一个随机输入和目标向量，并对我期望的结果进行了numpy计算，但这似乎与keras的结果不匹配

X = np.random.rand(1, 384)
y = np.random.rand(1, 384)

np.mean(np.abs((model.predict(X) - X)/(y - X)))
# returns some number 

model.test_on_batch(X, y)
# always returns 0.0

---

为什么我的损失函数总是返回零？这些答案是否匹配？

我误解了你的问题，我已经更新了我的方法。现在应该可以了。我将输入层和输出层堆叠起来，以获得传递给输出的新层

def tangle_loss3（y_true，y_pred）：
true\u diff=y\u true-y\u pred[0]
pred_diff=y_pred[1]-y_pred[0]
标准化的_diff=tf.abs（tf.math.divide（pred_diff，true_diff））
标准化差异=tf.减少平均值（标准化差异）
返回标准化_diff
输入层=输入（形状=（384），名称=（输入）
hl_1=密集（64，激活='elu'，名称='hl_1'）（输入层）
hl_2=密集（32，激活='elu'，名称='hl_2'）（hl_1）
hl_3=密集（32，激活='elu'，名称='hl_3'）（hl_2）
输出层=密集（384，激活=无，名称=输出）（hl\U 3）
out=tf.stack（[输入层，输出层]）
优化器=tf.keras.optimizers.Adam（学习率=0.001）
model=tf.keras.models.model（输入层，输出层）
compile（loss=tangle\u loss3，optimizer=optimizer）

现在当我计算损失时，它起作用了

X=np.random.rand（1384）
y=np.random.rand（1384）
平均值（np.abs（（模型预测（X）[1]-X）/（y-X）））
#返回一些数字
批量（X，y）上的模型试验

---

注意，我必须使用model.predict（X）[1]，因为我们得到两个输出，输入层和输出层的结果。这只是一个简单的解决方案，但它很有效。

自定义丢失与单个非嵌套的

自定义丢失（y\u true，y\u pred）

配合得很好。您可以尝试为输出添加KERA层，然后在添加到培训管道之前尝试使用新标签作为

new\u label=label-input

现在只使用customloss