Tensorflow 实施'；无用损失'；和凯拉斯？

我有一个Keras模型，它有两个输出：

• output

  是要计算损耗的网络的真实输出

• 附加

  用于在推理过程中执行外部任务（不应使用此输出计算损失）

当我建立模型时，我写了这样的东西：

model = Model(inputs=inp, outputs=[output, additional])

由于我的

模型

有两个输出，因此在编译模型时我需要提供两个损失，因此我创建了一个无用的损失，如下所示：

class NoopLoss(object):

    def __call__(self, y_true, y_pred, **kwargs):
        return self.compute_loss(y_true, y_pred)

    def compute_loss(self, y_true, y_pred):
        return tf.math.square(0.0)

loss = UsefulLoss()  # the real loss I'm using
noop_loss = NoopLoss()

model.compile(loss=[loss, noop_loss], optimizer=optimizer, metrics=['binary_accuracy'])

我将其集成到编译步骤中，如下所示：

class NoopLoss(object):

    def __call__(self, y_true, y_pred, **kwargs):
        return self.compute_loss(y_true, y_pred)

    def compute_loss(self, y_true, y_pred):
        return tf.math.square(0.0)

loss = UsefulLoss()  # the real loss I'm using
noop_loss = NoopLoss()

model.compile(loss=[loss, noop_loss], optimizer=optimizer, metrics=['binary_accuracy'])

---

这是可行的，但我觉得有点不成熟，有没有正确的方法来实现这种行为？我在KARAS文档中没有发现任何官方无用的损失。

< P>我认为，Keras并没有考虑过这样的事情。 我自己也经常使用这些黑客

但是，不确定这是不是一个更好的解决方案，实际上可能不是，您可以创建一个培训模型和一个推理模型，两者都共享可培训部分：

inputs = Input(...)
trainable_out = SomeLayer(...)(inputs)
....
trainable_out = ....

extra_output = SomeLayer(...)(something)    

training_model = Model(inputs, trainable_out)
inference_model = Model(inputs, [trainable_out, extra_output])   

您可以训练

training\u model

，并自动训练其他模型