Python 有没有办法在tensorflow中动态加权增加损失函数？

在我的代码中，我有两个自定义损失函数。一个是负对数似然（NLL），另一个是KL散度（KLD）

每一个都单独计算，并使用

Model.add_loss（NLL）

和

Model.add_loss（KLD）

添加到

tf.keras.Model

中

对于第一个

x

时代，我只希望合并NLL，但之后我希望KLD逐渐增加其影响（退火）。我希望的结构是：

weight_KL {epoch 00 -> 09} == 0.0
weight_KL {epoch 10 -> 19} += 0.1
weight_KL {epoch 20 -> ..} == 1.0

我的看法是，有两个损失函数加在一起，权重随时间变化：

total_loss = NLL + weight_KL * KLD

---

在TensorFlow 2中有没有实现这一点的方法？

您可以在

model.fit（）中使用
callbacks
参数。根据需要，在“新纪元”开始时的内置功能
或“新纪元”结束时的
中添加您的损失调整

定义回调函数，如下所示：

# Define the Required Callback Function
class LossCallback(tf.keras.callbacks.Callback):
  def on_epoch_begin(self, epoch, logs=None):
    if (epoch < 3):
      model.add_loss(NLL + KLD)
    else:
      model.add_loss(NLL + KLD +0.1)

在
回调
中还有几个选项，如批处理上的
开始
、批处理上的
结束
等，您可以找到它们

希望这能回答你的问题
 您可以在
model.fit（）
中使用
callbacks
参数。根据需要，在“新纪元”开始时的内置功能
或“新纪元”结束时的
中添加您的损失调整

定义回调函数，如下所示：

# Define the Required Callback Function
class LossCallback(tf.keras.callbacks.Callback):
  def on_epoch_begin(self, epoch, logs=None):
    if (epoch < 3):
      model.add_loss(NLL + KLD)
    else:
      model.add_loss(NLL + KLD +0.1)

在
回调
中还有几个选项，如批处理上的
开始
、批处理上的
结束
等，您可以找到它们

希望这能回答你的问题
 是否有可能提供一个简单、可复制的示例？您是否愿意使用
GradientTape
而不是
model.fit（）
？是否有可能提供一个简单、可复制的示例？您是否愿意使用
GradientTape
而不是
model.fit（）
？@evanr70-如果答案回答了您的问题，请您投票并接受答案。谢谢。@evanr70-如果答案回答了你的问题，你能投票接受吗。非常感谢。