Python 实现MSE损耗

我刚开始深入学习，我想实现一个自动编码器。我正在使用keras和mse损失函数。但当我使用我实现的MSE函数时，我的函数和keras.loss.MSE的输出大致相同，但结果明显更糟

由于项目中的一些需要，我想修改MSE。但实施后，结果的质量变得更差

该函数的输入为两个23*32*3 nArray。 由于我想做的修改，我不得不做切片

导入tensorflow作为tf
将numpy作为np导入
进口干酪作为k
def自定义_损失（im1、im2）：
im11=im1[：，：，0]
im12=im1[：，：，1]
im13=im1[：，：，2]
im21=im2[：，：，0]
im22=im2[：，：，1]
im23=im2[：，：，2]
diff1=tf.平方（im11-im21）
diff2=tf.平方（im12-im22）
diff3=tf.平方（im13-im23）
res=tf.divide（（diff1+diff2+diff3），3）
返回res

但当我测试它时，结果几乎是一样的。但当我在模型中使用它时，结果要糟糕得多

a=np.random.rand（32,32,3）
b=np.random.rand（32,32,3）
v1=tf.placeholder（tf.float32，（32,32,3），'v1'）
v2=tf.placeholder（tf.float32，（32,32,3），'v2'）
使用tf.Session（）作为sess：
me=sess.run（自定义丢失（v1，v2），提要dict={v1:a，v2:b}）
true=sess.run（k.loss.mse（v1，v2），feed_dict={v1:a，v2:b}）
对于范围（32）内的i：
对于范围（32）内的j：
打印（i，j，真[i][j]，我[i][j]）

我认为您缺少差异的求和

尝试：

def custom_loss(im1, im2):
    im11 = im1[:, :, 0]
    im12 = im1[:, :, 1]
    im13 = im1[:, :, 2]
    im21 = im2[:,:,0]
    im22 = im2[:,:,1]
    im23 = im2[:,:,2]
    diff1 = (im11 - im21)**2
    diff2 = (im12 - im22)**2
    diff3 = (im13 - im23)**2
    res = tf.divide((diff1 + diff2 + diff3).sum(), 3)
    return res