Python 为什么Kalas的损失只考虑输入数组的最后一个维度？

在Keras存储库的当前

master

分支中，您可以在

loss.py

中找到这一点：

def mean_absolute_error(y_true, y_pred):
    return K.mean(K.abs(y_pred - y_true), axis=-1)

请注意，由于使用了

轴=-1

，因此平均值仅沿阵列的最后一个轴

y\u true

和

y\u pred

计算

类似地，TensorFlow实现的内容如下：

def mean_absolute_error(y_true, y_pred):
  return K.mean(math_ops.abs(y_pred - y_true), axis=-1)

同一文件中定义的所有其他损失也是如此

为什么呢？（这是我的问题。）据我所知，损失是标量，所以为什么要保留一些数组维数

以下只是背景，不是我问题的一部分。 我偶然发现这一点的原因是，我试图在Keras中实现一些规范化的MAE，在没有更多考虑这个问题的情况下，我尝试了以下方法：

def normalized_mean_absolute_error(y_true, y_pred):
    return K.mean(K.abs(y_pred - y_true), axis=-1) / K.mean(K.abs(y_true), axis=-1)

这导致了

NaN

s，但可能（我仍在调查）是因为我试图将一个非标量数组除以另一个数组

---

（编辑：我知道我的样本，即图像，在目标中有一些全零的行和列，这将导致这些行或列被零除。计算意味着一次在多个维度上进行计算，即它，保证不全为零的完整图像，解决了这个直接问题，但这仍然会提高这是上面的问题。）

你得到的是

Nan

，因为

K.mean（K.abs（y_true），axis=-1）

可能是零。所以你应该给这个denumerator添加一些小值（例如epsilon）。@Mitiku你是对的，但是除非我犯了一个严重的错误，否则我的任何样本（都是图像）应该全部为零。但是，某些行或列可能全部为零，这实际上可以解释观察到的行为。如果我的解释正确，这就提出了一个问题，为什么Keras会按一维而不是按样本计算损失。我不是这样做的，因为您使用的是

axis=-1

参数。您指定的是获取上一个轴的平均值@Mitiku我知道：）（请不要将我的问题动机与问题本身混淆。）问题（仍然）是，为什么Keras在其自身的损失实施中会这样做？您能否进一步澄清：为什么使用最后一个维度是未预期的？你的预测不是一维的吗？你得到的是

Nan

，因为

K.mean（K.abs（y\u true），axis=-1）

可能是零。所以你应该给这个denumerator增加一些小的值（例如epsilon）。@Mitiku你是对的，但是除非我犯了一个严重的错误，否则我的样本（图像）都不应该为零。不过，有些行或列可能全部为零，这实际上可以解释观察到的行为。如果我的解释是正确的，这就提出了一个问题，为什么Keras计算损失是一维的，而不是样本的，因为你使用的是

axis=-1

参数。您指定的是在最后一个坐标轴上获得平均值。@Mitiku我知道：）（请不要将我的问题动机与问题本身混淆。）问题（仍然）是，为什么Keras在其自己的损失实现中会这样做？您能否进一步澄清：为什么使用最后一个维度是未预期的？你的预测不是一维的吗？