Python Keras自定义损耗功能：访问当前输入模式

在Keras（带有Tensorflow后端）中，当前输入模式是否可用于我的自定义损失函数

当前输入模式定义为用于产生预测的输入向量。例如，考虑以下代码：<代码> xyStand、xyTest、yyStand、yyTest= TrimeTestSythRead（x，y，TestLySt= 0.33，RealthObjySt=＝42，Suffle＝false）< /Cord>。然后，当前输入模式是与y_序列相关联的当前X_序列向量（在损失函数中称为y_真）

在设计自定义损耗函数时，我打算优化/最小化需要访问当前输入模式的值，而不仅仅是当前预测

我已经看过了

我也看过了“

我还熟悉前面生成自定义损失函数的示例：

import keras.backend as K

def customLoss(y_true,y_pred):
    return K.sum(K.log(y_true) - K.log(y_pred))

---

大概

（y\u true，y\u pred）

是在别处定义的。我查看了源代码，但没有成功，我想知道是否需要自己定义当前的输入模式，或者我的损失函数是否已经可以访问它。

您可以将损失函数包装为一个内部函数，并将输入张量传递给它（与向loss函数传递附加参数时通常所做的一样）

def custom_loss_wrapper(input_tensor):
    def custom_loss(y_true, y_pred):
        return K.binary_crossentropy(y_true, y_pred) + K.mean(input_tensor)
    return custom_loss

input_tensor = Input(shape=(10,))
hidden = Dense(100, activation='relu')(input_tensor)
out = Dense(1, activation='sigmoid')(hidden)
model = Model(input_tensor, out)
model.compile(loss=custom_loss_wrapper(input_tensor), optimizer='adam')

您可以验证

input\u tensor

和损失值（主要是

K.mean（input\u tensor）

部分）将随着不同的

X

传递给模型而改变

X = np.random.rand(1000, 10)
y = np.random.randint(2, size=1000)
model.test_on_batch(X, y)  # => 1.1974642

X *= 1000
model.test_on_batch(X, y)  # => 511.15466

---

您可以使用

add_loss

将外部层传递给您的损失，在您的例子中是输入张量

这里有一个例子：

def CustomLoss(y_true, y_pred, input_tensor):
    return K.binary_crossentropy(y_true, y_pred) + K.mean(input_tensor)

X = np.random.uniform(0,1, (1000,10))
y = np.random.randint(0,2, 1000)

inp = Input(shape=(10,))
hidden = Dense(100, activation='relu')(inp)
out = Dense(1, activation='sigmoid')(hidden)
target = Input((1,))
model = Model([inp,target], out)

model.add_loss( CustomLoss( target, out, inp ) )
model.compile(loss=None, optimizer='adam')
model.fit(x=[X,y], y=None, epochs=3)

在推理模式下使用模型（从输入中删除目标）

---

这在tf.keras中不适用于急切执行。你知道怎么做吗？它不适用于

tf.keras

急切执行：（它说：

tensorflow.python.eager.core.\u symbolic异常：急切执行函数的输入不能是keras符号张量，但可以找到[]

final_model = Model(model.input[0], model.output)
final_model.predict(X)