这是我开展深度学习项目的第三次尝试。我正在研究蛋白质序列。首先，我尝试了TFLearn，然后尝试了原始TensorFlow，现在我尝试了Keras。
前两次尝试教给了我很多东西，并给了我一些我可以重用的代码和概念。但是，总会有障碍，我问过开发人员无法回答的问题（在TFLearn的情况下），或者我只是陷入了困境（TensorFlow对象自省很乏味）。
我已经编写了这个TensorFlow损失函数，并且我知道它可以工作：
def l2_angle_distance(pred, tgt):
with tf.name_scope("L2AngleDistance"):
# Scaling factor
count = tgt[...,0,0]
scale = tf.to_float(tf.count_nonzero(tf.is_finite(count)))
# Mask NaN in tgt
tgt = tf.where(tf.is_nan(tgt), pred, tgt)
# Calculate L1 losses
losses = tf.losses.cosine_distance(pred, tgt, -1, reduction=tf.losses.Reduction.NONE)
# Square the losses, then sum, to get L2 scalar loss.
# Divide the loss result by the scaling factor.
return tf.reduce_sum(losses * losses) / scale
我的目标值（tgt）可以包含NaN，因为我的蛋白质序列是通过4D张量传递的，尽管各个序列的长度不同。在您询问之前，无法像图像一样对数据进行重新采样。因此，我在tgt张量中使用NaN来表示“此处无需预测”。在计算L2余弦损耗之前，我用预测（预测）中的匹配值替换每个NaN，因此每个NaN的损耗始终为零。
现在，如何在Keras中重用此功能？看来Keras Lambda核心层不是一个好选择，因为Lambda仅接受一个参数，而损失函数则需要两个参数。
或者，我可以在Keras中重写此功能吗？我永远不需要使用Theano或CNTK后端，因此对我而言，不必在Keras中重写函数。我会用任何可行的方法。
我只是查看了Keras loss.py文件以获得一些线索。我导入keras.backend并环顾四周。我还找到了https://keras.io/backend/。我似乎没有找到我碰巧使用的任何TensorFlow函数调用的包装器：to_float（），count_nonzero（），is_finite（），where（），is_nan（），cosine_distance（）或reduce_sum（）。
感谢您的建议！