python - Keras/Tensorflow : Combined Loss function for single output

我的模型只有一个输出，但是我想结合两个不同的损失函数:

def get_model():
    # create the model here
    model = Model(inputs=image, outputs=output)

    alpha = 0.2
    model.compile(loss=[mse, gse],
                      loss_weights=[1-alpha, alpha]
                      , ...)

但它提示我需要两个输出，因为我定义了两个损失:

ValueError: When passing a list as loss, it should have one entry per model outputs.
The model has 1 outputs, but you passed loss=[<function mse at 0x0000024D7E1FB378>, <function gse at 0x0000024D7E1FB510>]

我是否可以编写最终损失函数而不必创建另一个损失函数(因为这会限制我在损失函数之外更改Alpha)？

我该怎么做像(1-alpha)*mse + alpha*gse？

更新:

我的两个损失函数都等效于任何内置keras损失函数的函数签名，接受y_true和y_pred并给出损失的张量(可以使用K.mean()缩减为标量)，但是我相信这些损失函数的方式只要定义返回有效损失，就不会影响答案。

def gse(y_true, y_pred):
    # some tensor operation on y_pred and y_true
    return K.mean(K.square(y_pred - y_true), axis=-1)

最佳答案

为损失指定一个自定义函数:

model = Model(inputs=image, outputs=output)

alpha = 0.2
model.compile(
    loss=lambda y_true, y_pred: (1 - alpha) * mse(y_true, y_pred) + alpha * gse(y_true, y_pred),
    ...)

或者，如果您不想让丑陋的lambda成为实际功能，请执行以下操作:

def my_loss(y_true, y_pred):
    return (1 - alpha) * mse(y_true, y_pred) + alpha * gse(y_true, y_pred)

model = Model(inputs=image, outputs=output)

alpha = 0.2
model.compile(loss=my_loss, ...)

编辑:

如果您的alpha不是某个全局常量，则可以有一个“损失函数工厂”:

def make_my_loss(alpha):
    def my_loss(y_true, y_pred):
        return (1 - alpha) * mse(y_true, y_pred) + alpha * gse(y_true, y_pred)
    return my_loss

model = Model(inputs=image, outputs=output)

alpha = 0.2
my_loss = make_my_loss(alpha)
model.compile(loss=my_loss, ...)

关于python - Keras/Tensorflow : Combined Loss function for single output，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/51705464/