Tensorflow 需要张量操作的keras（tf后端）中的自定义丢失

我的目标是预测两个点的坐标：[x1，x2]。（2个点的y坐标是固定的）。 除了均方误差

（xtrue-xpred）**2

，我想最小化斜率的误差：大约

（1/（x2true-x1true）-1/（x2pred-x1pred））**2

以下是我的实现，它引发了以下错误：

形状必须为秩2，但对于“concat_1”（op:“ConcatV2”）为秩1
输入形状：[？，？]，[？]，[]。

--

海关损失

def combo_mse（）：
def组合损失（y_真，y_pred）：
斜率真=1/（y真[：，1]-y真[：，0]）
combo\u true=K.concatenate（[y\u true，slope\u true]）
斜率_pred=1/（y _pred[：，1]-y _pred[：，0]）
combo\u pred=K.连接（[y\u pred，slope\u pred]）
se=K.square（组合预测-组合预测真）
损失=K.平均值（东南，轴=-1）
回波损耗
返回组合损失

---

如何切片输出张量

y\u true

和

y\u pred

，运行一些操作并使用

K.concatenate（）

创建新的张量以生成新的自定义损失函数？

在连接之前，必须更改slope\u true和slope\u pred的形状。下面的代码应该可以工作。原因是你的

slope张量

是一维的，而你的

y_-true

和

y_-pred

张量是二维的。相同维度张量之间允许进行连接操作

def combo_mse():
        def combo_loss(y_true, y_pred):
            slope_true = 1/( y_true[:, 1] - y_true[:, 0] )
            slope_true = tf.reshape(slope_true, (-1, 1))
            combo_true = K.concatenate([y_true, slope_true])

        slope_pred = 1/( y_pred[:, 1] - y_pred[:, 0] )
        slope_pred = tf.reshape(slope_pred, (-1, 1))
        combo_pred = K.concatenate([y_pred, slope_pred])

        mse = K.square( combo_pred - combo_true)
        loss = K.mean(mse, axis=-1)
        return loss
    return combo_loss