Python Keras内置的2D数据MSE损失返回2D矩阵，而不是标量损失

我试图评估Keras中带有自动编码器（AE）的单个2D测试样本的MSE损失，一旦模型经过训练，我会惊讶地发现，当我调用Keras MSE内置函数获取单个样本的损失时，它会返回2D张量。这意味着损失函数为每个样本计算每个像素的一个损失，而不是它应该计算的每个样本的一个损失（？）。非常清楚的是，我希望MSE将所有像素上计算的平方误差的平均值与每个2D样本相关联（正如我读到的）

由于在使用

.predict（）

和

.evaluate（）

对AE进行训练后，我没有获得每个测试样本一个标量的标量MSE错误数组（可能我也遗漏了一些内容），因此我继续尝试直接使用

keras.loss.mean_squared_error（）

，逐个样本。这返回了2D张量作为每个样本的损失（输入张量的大小为

（N，M，1）

）。当我们查看MSE损失的情况时，会发现：

def mean_squared_error(y_true, y_pred):
    return K.mean(K.square(y_pred - y_true), axis=-1)

轴=-1

解释了为什么在计算损失时多个维度不会立即减少为一个标量

因此，我想知道：

我的模型在培训期间到底使用了什么？是因为 如我所料，每个样本的所有像素的均方误差 ? 这不是内置代码所建议的

我是否绝对需要重新定义MSE损失，以获得每个测试样本的单个MSE损失？获得标量I 然后必须将样本和相关的 预测，然后重新应用内置的MSE（以及此示例）

根据Keras的MSE损失，在计算MSE之前需要手动展平。当我阅读这篇Mnist去噪教程时，对2D数据的AE模型使用MSE对我来说似乎很好

我的代码：

import keras

AE_testOutputs = autoencoder.predict(samplesList)

samplesMSE = []
for testSampleIndex in range(samplesList.shape[0]):
    AE_output = AE_testOutputs[testSampleIndex,:,:,:]
    samplesMSE.append(keras.losses.mean_squared_error(samplesList[testSampleIndex,:,:,:],AE_output))

它返回

Tensor（“平均值：0”，shape=（15800），dtype=float64）

对象的列表

samplesMSE

---

如果我错过了一个类似的问题，我很抱歉，我在发布之前做了积极的研究，我仍然担心有一个非常简单的解释/我一定错过了某个内置函数。

虽然这不是绝对必需的，但Keras损失函数通常定义为“每个样本”，其中“样本”基本上是模型输出张量中的每个元素。然后，损耗函数通过一个包装函数，该函数增加了对掩蔽和样本加权的支持。默认情况下，总损失是样本损失的平均值

---

如果您想得到除第一个维度外的每个维度上某个值的平均值，只需在得到的值上使用

K.mean

。

您所说的对我的-->1来说就是这个意思。是的，一个我不知道的包装函数实际上为我的每个2D样本计算像素SEs的平均值（“我期望的”）-->2。应用未包装版本的MSE Keras内置损耗（我在这个问题的代码示例中所做的）将不起作用，因为我的样本是2D性质的，为了获得测试样本的类似损耗，我需要使用像素SEs的2D平均值手动重新定义MSE损耗？我只是想确认一下，你说得对，谢谢你的回答@是的，没错。我的意思是，如果你不想重新定义损失函数，你可以做一些类似于

keras.backend.mean（keras.loss.mean_squared_error（…）

的事情，它将计算整个张量的平均值。但是你也可以有你自己的MSE函数，因为它很简单。