Python 如果我有形状（32256256,3）中的输入，我想创建一个自定义损失函数，复制Keras中的以下等式

在keras中为y_pred和y_形状损失（32256256,3）创建自定义损失函数，其中32是批次大小，3是尺寸256x256图像的通道数和损失方程：

本文给出了曲面法线的损失函数：

---

我没有得到任何错误，但结果不是预期的。有没有其他更好的方法来编写代码？任何帮助都将不胜感激。提前谢谢你

您正在使用numpy获得张量的点积。这里的

y\u true\u flat

和

y\u pred\u flat

是张量。您应该使用

tensorflow.tensordot

方法或

tensorflow.keras.backend.dot

方法来获得两个张量的乘积。由于这些张量是向量，

tensorflow.matmul

也可以工作

def normal_loss_1（y_true，y_pred）：
dim=tf.reduce\u prod（tf.shape（y\u true）[1:]
y_-true_-flatten=tf.重塑（y_-true，[-1，dim]）
y_pred_flatten=tf.重塑（y_pred，[-1，dim]）
d=tf.tensordot（y_pred_flatten，y_true_flatten，1）
y_sum=tf.减少_sum（d，1）
n_像素=256*256
正常输出=y和/n像素
正常输出=tf.减少平均值（正常输出）
返回-正常输出

编辑

---

K.flatte

将张量（

y\u true

和

y\u pred

）转换为向量，批次维度将消失。这意味着您无法对该批次的损失进行平均

您正在使用numpy获得张量的点积。这里的

y\u true\u flat

和

y\u pred\u flat

是张量。您应该使用

tensorflow.tensordot

方法或

tensorflow.keras.backend.dot

方法来获得两个张量的乘积。由于这些张量是向量，

tensorflow.matmul

也可以工作

def normal_loss_1（y_true，y_pred）：
dim=tf.reduce\u prod（tf.shape（y\u true）[1:]
y_-true_-flatten=tf.重塑（y_-true，[-1，dim]）
y_pred_flatten=tf.重塑（y_pred，[-1，dim]）
d=tf.tensordot（y_pred_flatten，y_true_flatten，1）
y_sum=tf.减少_sum（d，1）
n_像素=256*256
正常输出=y和/n像素
正常输出=tf.减少平均值（正常输出）
返回-正常输出

编辑

---

K.flatte

将张量（

y\u true

和

y\u pred

）转换为向量，批次维度将消失。这意味着您无法对该批次的损失进行平均

感谢您的帮助，但我在第行中得到以下错误：y_sum=tf。reduce_sum（d，1）ValueError：对于具有0维的输入，reduce维度1无效。对于输入形状为[]、[]且具有计算输入张量的“丢失/激活\丢失/求和”（op:“求和”）：输入[1]=。您不必展平

y\u true

和

y\u pred

。我已经删除了线路。很抱歉，这也没有解决问题。我得到了以下错误：文件“our_train_normal.py”，第286行，在validation_data=（X_test，y_test），文件“/home/ivlab/anaconda2/envs/tuto/lib/python3.7/site packages/tensorflow/python/keras/engine/training.py”，第880行，在fit validation_steps=validation_steps）文件中“/home/ivlab/anaconda2/envs/tuto/lib/python3.7/site packages/tensorflow/python/keras/engine/training_arrays.py”，第329行，在model_迭代批处理中，out=f（ins_批处理）感谢您的帮助，但我在第行中得到以下错误：y_sum=tf.reduce_sum（d，1）ValueError:维度为0的输入的缩减维度1无效。对于输入形状为[]、[]和计算输入张量的“丢失/激活\丢失/求和”（op:“求和”）：输入[1]=.您不必展平

y\u true

和

y\u pred

。我已经删除了行。很抱歉，这也没有解决问题。我收到以下错误：文件“our\u train\u normal.py”，第286行，在验证中\u data=（X\u测试，y\u测试），文件“/home/ivlab/anaconda2/envs/tuto/lib/python3.7/site-packages/tensorflow/python/keras/engine/training.py”，第880行，in-fit-validation\u steps=validation\u steps）文件“/home/ivlab/anaconda2/envs/tuto/lib/python3.7/site-packages/tensorflow/python/keras/engine/training\u arrays.py”，第329行，在模型迭代批处理中

def normal_loss_1 (y_true, y_pred):    
    y_true_flat = K.flatten(y_true)
    y_pred_flat = K.flatten(y_pred)
    #d = y_pred_flat * y_true_flat
    d = np.dot(y_pred_flat,y_true_flat)
    y_sum = K.sum(d)
    n_pixels = 256 * 256
    normal_output = y_sum/n_pixels
    normal_output = tf.reduce_mean(normal_output)
    return -normal_output