keras中自定义loss层如何接受输入值的案例(keras,loss,输入,开发技术)

loss函数如何接受输入值

keras封装的比较厉害，官网给的例子写的云里雾里，

在stackoverflow找到了答案

You can wrap the loss function as a inner function and pass your input tensor to it (as commonly done when passing additional arguments to the loss function).

You can verify that input_tensor and the loss value will change as different X is passed to the model.

fit_generator

fit_generator ultimately calls train_on_batch which allows for x to be a dictionary.

Also, it could be a list, in which casex is expected to map 1:1 to the inputs defined in Model(input=[in1, …], …)

补充知识：keras中自定义 loss损失函数和修改不同样本的loss权重(样本权重、类别权重)

首先辨析一下概念：

1. loss是整体网络进行优化的目标， 是需要参与到优化运算，更新权值W的过程的

2. metric只是作为评价网络表现的一种“指标”， 比如accuracy，是为了直观地了解算法的效果，充当view的作用，并不参与到优化过程

一、keras自定义损失函数

在keras中实现自定义loss， 可以有两种方式，一种自定义 loss function, 例如：

或者通过自定义一个keras的层（layer）来达到目的， 作为model的最后一层，最后令model.compile中的loss=None：

在keras中自定义metric非常简单，需要用y_pred和y_true作为自定义metric函数的输入参数 点击查看metric的设置

注意事项：

1. keras中定义loss，返回的是batch_size长度的tensor， 而不是像tensorflow中那样是一个scalar

2. 为了能够将自定义的loss保存到model， 以及可以之后能够顺利load model， 需要把自定义的loss拷贝到keras.losses.py 源代码文件下，否则运行时找不到相关信息，keras会报错

有时需要不同的sample的loss施加不同的权重，这时需要用到sample_weight，例如

discriminator.train_on_batch(imgs, [valid, labels], class_weight=class_weights)

二、keras中的样本权重

Note that the output of the class_weight.compute_class_weight() is an numpy array like this: [2.57569845 0.68250928].