Python 自定义损耗功能使用Keras 2.1.4产生极低的损耗值

我正在使用数字和分类值（时间序列）的数据集。这是一个变量示例：

A B C_1 C_2 D_1 D_2 D_3

前两个是数值变量，C和D是带有一个单选表示的分类变量

下面是我的自定义损失函数。我使用partial向函数传递两个以上的参数：

def mixed_num_cat_loss_backend(y_true, y_pred, signals_splits):
    if isinstance(y_true, np.ndarray):
        y_true = keras.backend.variable( y_true )
    if isinstance(y_pred, np.ndarray):
        y_pred = keras.backend.variable( y_pred )

    y_true_mse = y_true[:,:signals_splits[0]] 
    y_pred_mse = y_pred[:,:signals_splits[0]]
    mse_loss_v = keras.backend.square(y_true_mse-y_pred_mse)

    categ_loss_v = [ keras.backend.categorical_crossentropy(
                             y_pred[:,signals_splits[i-1]:signals_splits[i]], #keras.backend.softmax(y_pred[:,signals_splits[i-1]:signals_splits[i]]), 
                             y_true[:,signals_splits[i-1]:signals_splits[i]], 
                         from_logits=False) # force keras to normalize
                    for i in range(1,len(signals_splits)) ]

    losses_v = keras.backend.concatenate( [mse_loss_v, keras.backend.stack(categ_loss_v,1)], 1)

    return losses_v

一个时期后，我的损失值极低：

Epoch 1/100
76s - loss: 0.1040 - acc: 0.1781 - val_loss: 0.0016 - val_acc: 0.1330  
Epoch 2/100  
75s - loss: 9.2523e-04 - acc: 0.1788 - val_loss: 8.7442e-04 - val_acc: 0.1330

---

关键是，我在使用Keras 2.0.4时没有这个问题。

自Keras 2.0.7以来，交叉熵后端方法的特征发生了变化。据报道,

后端方法

categorical\u crossentropy

，

sparse\u categorical\u crossentropy

，

binary\u crossentropy

的顺序为 它们的位置参数（

y_-true

，

y_-pred

）被反转。这一变化确实如此 不影响

损失

API。此更改是为了实现API

loss

API和后端API之间的一致性

因此，在较新版本的Keras中调用

categorical\u crossentropy

时，应该切换

y\u true

和

y\u pred

的位置