Python 自定义损失函数取决于Keras中的模型预测

我在TensorFlow后端使用Keras。我试图实现本文中描述的目标函数（基于全局归一化转换的神经网络）。其要点是，我需要一个目标函数，它取决于当前网络及其预测。它获取训练序列并查看网络对该序列的预测程度，并在此基础上在两个目标函数之间切换。最终目标值取决于模型的预测

我已经编写了一个自定义损失函数，允许我访问模型（灵感来自：

并编制了模型：

model.compile(loss=global_norm(model), ...)

在开始网络训练后，它会打印一次模型层列表，然后再也不会打印。我知道损失函数只调用一次，之后它就变成了“梯度”。有没有办法为每个样本调用目标函数？还是我需要一种不同的方法

---

编辑：澄清一下：它切换的两个目标是渐变，优化器应该沿着这个函数采取渐变步骤。我认为，如果为每个样本调用目标函数，它应该会起作用

目标函数被调用一次以进行编译，然后它成为一个张量，在每个输出上进行计算（批处理）。但我真的不明白你的意思。例如，你的目标函数需要一些控制流吗？我想是的！我希望在每个训练样本中编译目标函数，因为我需要的控制流不能用张量表示（我认为）。使用波束搜索，可以查看训练序列是否在模型预测的波束范围内。为此，我需要每个培训样本的最新型号。但也许有更好的方法让我这么做，比如写我自己的优化器？这样行吗？

model.compile(loss=global_norm(model), ...)