Keras自定义损失与多个输出的关系

Question

我用keras（一个convnet）构建了一个自定义体系结构。该网络有4个头，每个头输出不同大小的张量。我试图编写一个自定义损失函数作为这4个输出的函数。我以前曾实施过客户损失，但要么是每个头损失不同，要么是每个头损失相同。在这种情况下，我需要组合4个输出来计算损耗。

我习惯以下几点：

def custom_loss(y_true, y_pred):
    return something
model.compile(optimizer, loss=custom_loss)

但就我而言，我需要y_pred列出4个输出。我可以用零填充输出，并在模型中添加一个连接层，但是我想知道是否有更简单的方法。

编辑

我的损失函数相当复杂，我可以写点什么：

model.add_loss(custom_loss(input1, input2, output1, output2))

自定义损失定义为：

def custom_loss(input1, input2, output1, output2):
    return loss

Answer 1

您可以尝试该model.add_loss()功能。想法是将自定义损失构造为张量而不是函数，将其添加到模型中，然后编译模型而无需进一步指定损失。另请参见变型自动编码器的此实现，其中使用了类似的想法。

例：

import keras.backend as K
from keras.layers import Input, Dense
from keras.models import Model
from keras.losses import mse
import numpy as np

# Some random training data
features = np.random.rand(100,20)
labels_1 = np.random.rand(100,4)
labels_2 = np.random.rand(100,1)

# Input layer, one hidden layer
input_layer = Input((20,))
dense_1 = Dense(128)(input_layer)

# Two outputs
output_1 = Dense(4)(dense_1)
output_2 = Dense(1)(dense_1)

# Two additional 'inputs' for the labels
label_layer_1 = Input((4,))
label_layer_2 = Input((1,))

# Instantiate model, pass label layers as inputs
model = Model(inputs=[input_layer, label_layer_1, label_layer_2], outputs=[output_1, output_2])

# Construct your custom loss as a tensor
loss = K.mean(mse(output_1, label_layer_2) * mse(output_2, label_layer_2))

# Add loss to model
model.add_loss(loss)

# Compile without specifying a loss
model.compile(optimizer='sgd')

model.fit([features, labels_1, labels_2], epochs=2)