Tensorflow Keras自定义损失函数产生奇怪的结果

我试图在Keras中编写一个自定义的加权二元交叉熵损失函数。然而，当我用自定义损失函数编译模型时，损失和精度都下降了。通常，当我使用普通BCE训练模型时，精度约为90%，但当我使用自定义损失函数时，精度降至3-10%。这是我的自定义损失函数：

def weighted_crossentropy_core(y_true, y_pred, pos_weight, neg_weight):

    wcel = K.binary_crossentropy(y_true, y_pred)
    weight = y_true * pos_weight + (1.0 - y_true) * neg_weight
    wcel = K.mean(weight * cel)

    return wcel

def weighted_crossentropy_wrapper(pos_weight=1, neg_weight=1):
    def weighted_crossentropy_return(y_true, y_pred):
        return weighted_crossentropy_core(y_true, y_pred, pos_weight, neg_weight)
    return weighted_crossentropy_return

wcel = weighted_crossentropy_wrapper()
model.compile(Adam(init_lr), loss=wcel, metrics=["accuracy"])

最奇怪的是，当我包装tf.keras.loss.binary_crossentropy loss函数，然后发送包装（本质上与keras的bce loss相同）时，产生的损失与我在没有包装的情况下通过keras bce时得到的完全不同！以下是我如何包装bce：

def wrapped_bce(y_true, y_pred):

    bce = tf.keras.losses.binary_crossentropy(y_true, y_pred)

    return bce

wcel = wrapped_bce()
model.compile(Adam(init_lr), loss=wcel, metrics=["accuracy"])

---

我包装损失函数的方式有什么问题吗？提前谢谢

要在第二个示例中包装您的损失，您应该使用

wcel=wrapped\u bce

（不带括号）

---

在第一个示例中也是一样，但是您的函数

加权的交叉熵包装

是另一个包装的包装，省略了

y\u true

和

y\u pred

，这对我来说有点奇怪。

要在第二个示例中包装您的损失，您应该使用

wcel=wrapped\u bce

（不带括号）

---

在第一个示例中也是一样，但是您的函数

加权的\u crossentropy\u wrapper

是另一个包装的包装，并且省略了

y\u true

和

y\u pred

，这对我来说有点奇怪。

很抱歉这里的错误。我刚刚运行了：```model.compile（Adam（init_lr），loss=wrapped_bce，metrics=[“accurity”]```它仍然给我带来了与keras bce不同的奇怪的损失和准确性。对于我跟随这篇文章的第一个例子：好的，我理解你在第一个例子中做了什么。关于使用和不使用包装器的不同结果，这很奇怪。包装器不应该对结果有任何影响。在比较结果之前，你是重新训练你的模型（在这种情况下，你会有差异）还是只是重新编译它？我重新编译模型。这里的错误很抱歉。我刚刚运行了：```model.compile（Adam（init_lr），loss=wrapped_bce，metrics=[“accurity”]```它仍然给我带来了与keras bce不同的奇怪的损失和准确性。对于我跟随这篇文章的第一个例子：好的，我理解你在第一个例子中做了什么。关于使用和不使用包装器的不同结果，这很奇怪。包装器不应该对结果有任何影响。在比较结果之前，你是重新训练你的模型（在这种情况下，你会有差异），还是只是重新编译它？我重新编译模型。