Python Keras中自定义损失函数的输出应该是什么？

我试图在Keras中构建一个自定义损失函数，但我对它的工作方式感到困惑。我正在批量训练网络，我不确定损失函数的输出是一个与批量维数相同的数组，还是一个标量。

在小批量的所有维数上，损失通常都会减少。如果不应用reduce，它将隐式执行（尝试在

自定义丢失函数（）中删除
tf.reduce\u mean
，并仅返回
res
）。例如：

将tensorflow导入为tf
将numpy作为np导入
定义自定义交叉熵（y_真，y_pred）：
res=-y_true*tf.math.log（tf.nn.softmax（y_pred））
返回tf.reduce_平均值（分辨率，轴=无）
model=tf.keras.models.Sequential（）
添加（tf.keras.layers.Dense（2，激活=无））
compile（optimizer=tf.keras.optimizers.SGD（0.01），
损失=[自定义交叉熵]，
指标=[‘准确度’]）
y_train=np.array（[[1,0]，[0,1]]）
x_序列=np.随机.正常（大小=（2,2））
模型拟合（x_序列，y_序列，历元=2）
#纪元1/2
#2/2[=============================================]0秒13毫秒/样本-损失：0.2689-准确度：1.0000
#纪元2/2
#2/2[====================================]-0s 2ms/样本-损失：0.2686-准确度：1.0000
小批量的所有尺寸的损失通常都会减少。如果不应用reduce，它将隐式执行（尝试在
自定义丢失函数（）中删除
tf.reduce\u mean
，并仅返回
res
）。例如：

将tensorflow导入为tf
将numpy作为np导入
定义自定义交叉熵（y_真，y_pred）：
res=-y_true*tf.math.log（tf.nn.softmax（y_pred））
返回tf.reduce_平均值（分辨率，轴=无）
model=tf.keras.models.Sequential（）
添加（tf.keras.layers.Dense（2，激活=无））
compile（optimizer=tf.keras.optimizers.SGD（0.01），
损失=[自定义交叉熵]，
指标=[‘准确度’]）
y_train=np.array（[[1,0]，[0,1]]）
x_序列=np.随机.正常（大小=（2,2））
模型拟合（x_序列，y_序列，历元=2）
#纪元1/2
#2/2[=============================================]0秒13毫秒/样本-损失：0.2689-准确度：1.0000
#纪元2/2
#2/2[====================================]-0s 2ms/样本-损失：0.2686-准确度：1.0000
如文档中所述，您可以传递一个函数，该函数为每个数据点返回一个标量，并采用两个参数：y_true（真标签）和y_pred（预测）

Keras在批处理中执行“样本平均数”，因此输出应该只是一个标量。
如文档中所述，您可以传递一个函数，该函数为每个数据点返回一个标量，并采用两个参数：y_true（真标签）和y_pred（预测）

Keras在批内执行样本的平均值，因此输出应仅为单个标量。
它应返回每个样本的损失值。然后，Keras负责每批次这些值的减少。这篇文章中有一个详细的描述：它应该返回每个样本的损失值。然后，Keras负责每批次这些值的减少。这篇文章中有一个详细的描述：