Python Keras自定义损失函数：随批次大小形状变化（y_真）

在Keras中实现自定义损失函数时，我需要一个带有输入数据批大小形状的

tf.变量

（y\u true，y\u pred）

但是，这会产生错误：

You must feed a value for placeholder tensor 'dense_17_target' with dtype float and shape [?,?]

如果我将批次大小固定为一个值：

def custom_loss(y_true, y_pred):

    counter = tf.Variable(tf.zeros(batch_size, dtype=tf.float32))
    ...

使

| training|u set |%batch|u size

和

| val|u set |%batch|u size

等于零，一切正常

是否有任何建议，为什么根据输入的形状（

y\u true

和

y\u pred

）分配批量大小的变量不起作用

解决方案

我找到了一个令人满意的解决方案。 我使用可能的最大批量大小（在模型构建期间指定）初始化变量，并仅使用

K.shape（y\u true）[0]

对变量进行切片。那样的话，它工作得很好。代码如下：

def custom_loss(y_true, y_pred):
    counter = tf.Variable(tf.zeros(batch_size, dtype=tf.float32))
    ...
    true_counter = counter[:K.shape(y_true)[0]]
    ...

---

它不起作用，因为

K.shape

返回一个符号形状，它本身是张量，而不是int值的元组。要从张量中获取值，必须在会话下对其求值。看看这个。要在计算时间之前获得实际值，请使用

K.int\u shape

：

但是，

K.int\u shape

在这里也不起作用，因为它只是一些静态元数据，通常不会反映当前的批大小，而是有一个占位符值

None

您找到的解决方案（控制批量大小并在损失中使用）确实是一个很好的解决方案

我相信问题是因为您需要在定义时知道批量大小来构建变量，但它只在会话运行时才知道

---

如果将其作为张量使用，则应该可以，请参见此。

另一种解决方案是使用

tf创建一个变量并动态更改其形状。使用
validate\u shape=False分配
：

counter = tf.Variable(0.0)
...
val = tf.zeros(tf.shape(y_true)[:1], 0.0)
counter = tf.assign(counter, val, validate_shape=False)

非常感谢您的投入！特别是用张量处理批量大小的不同方法，使我找到了解决方案。
counter = tf.Variable(0.0)
...
val = tf.zeros(tf.shape(y_true)[:1], 0.0)
counter = tf.assign(counter, val, validate_shape=False)