Tensorflow 具有keras的损失函数中的批量元素产品

我正试图在keras中编写一个自定义损失函数，其中我需要通过中间层（其形状为（batch_size，1））的输出对y_true和y_pred（形状：（batch_size，64，64））之间的MSE进行加权

我需要的op只是将MSE的每个批次元素加权（乘以）一个因子，即加权张量中对应的批次元素

我尝试了以下方法

def loss_aux_wrapper(weight_tensor):
    def loss_aux(y_true, y_pred):
        K.print_tensor(weight_tensor, message='weight = ')
        _shape = K.shape(y_true)
        return K.reshape(K.batch_dot(K.batch_flatten(mse(y_true, y_pred)), weight_tensor, axes=[1,1]),_shape)
    return loss_aux

但我明白了

tensorflow.python.framework.errors_impl.InvalidArgumentError:  In[0] mismatch In[1] shape: 4096 vs. 1: [32,1,4096] [32,1,1] 0 0      [[node loss/aux_motor_output_loss/MatMul (defined at /code/icub_sensory_enhancement/scripts/models.py:327) ]] [Op:__inference_keras_scratch_graph_6548]

我相信K.print_张量不会输出任何东西，因为它是在编译时调用的

---

非常感谢您的任何建议

为了加权MSE损失函数，您可以在调用

MSE

函数时使用

sample\u weight=

参数。根据,

如果

样品重量

是一个大小张量

[批次大小]

，然后是总损失 对于批次的每个样品，由相应的元素重新缩放 在

样本权重
向量中。如果
样品重量的形状为
[批量大小，d0，…dN-1]
（或可以广播到此形状），然后
y_pred
的每个损失元素按
样品重量
。（注：N-1：所有损失函数减少1维，
通常
轴=-1
）

在您的例子中，
重量张量
有一个形状
（批量大小，1）
。所以首先我们需要重塑它，比如

reshaped_weight_tensor = K.reshape( weight_tensor , shape=( batch_size ) )

然后，该张量可与
MeanSquaredError
一起使用

def loss_aux_wrapper(weight_tensor):

    def loss_aux(y_true, y_pred):
        reshaped_weight_tensor = K.reshape( weight_tensor , shape=( batch_size ) )
        return mse( y_true , y_pred , sample_weight=reshaped_weight_tensor )
        
    return loss_aux