Python 如何使用多个变量作为Keras中一个输出的模型的损失？

我有一个Keras模型，它只有一个输出，但是为了计算自定义损失，我想用两个变量比较模型的输出。但问题是，如果我希望y_true的形状为？，2y_pred的形状也为？，2，而它应该是？，1。我可以将其中一个变量作为附加输入传递给模型，并在计算损失时使用输入层，但是这个变量实际上应该是未知的，因为它必须由模型预测。为了让目的更清楚，这里有一个类似于我想做的事情的例子：

def有损校正1、有损校正2、有损校正前： 返回K.meansk.squarey_pred-y_true1+K.squarey_pred-y_true2，-1

---

你可以有不同的形状与自定义损失，没有问题。你只需要有一致的结果

一些选择

def loss(y_true, y_pred): #where true is shape (batch, 2) and pred is shape (batch, 1)
    return K.mean(K.square(y_true - y_pred), axis=-1)

def loss(y_true, y_pred): #where true is shape (batch, 2) and pred is shape (batch,)
    return K.square(y_pred - y_true[:,0]) + K.square(y_pred - y_true[:,1])

def loss(y_true, y_pred): #where true is shape (batch, 2) and pred is shape (batch,)
    y_pred = K.reshape(y_pred, (-1,1))
    return K.mean(K.square(y_true - y_pred), axis=-1)

---

你可以有不同的形状与自定义损失，没有问题。你只需要有一致的结果

一些选择

def loss(y_true, y_pred): #where true is shape (batch, 2) and pred is shape (batch, 1)
    return K.mean(K.square(y_true - y_pred), axis=-1)

def loss(y_true, y_pred): #where true is shape (batch, 2) and pred is shape (batch,)
    return K.square(y_pred - y_true[:,0]) + K.square(y_pred - y_true[:,1])

def loss(y_true, y_pred): #where true is shape (batch, 2) and pred is shape (batch,)
    y_pred = K.reshape(y_pred, (-1,1))
    return K.mean(K.square(y_true - y_pred), axis=-1)