嗨，我一直试图在喀拉拉邦实现损失功能。但是我无法找到一种方法来传递除loss（y_true，y_predict）以外的2个以上参数，因此我考虑将lambda层用作最后一层，并在lambda层itslef中进行计算，并简单地返回y_predict的值像这样的损失函数
def loss_function(x):
loss = some calculations
return loss
def dummy_loss(y_true, y_pred):
return y_pred
def primary_network():
global prim_binary_tensor
x = VGG16(weights='imagenet', include_top=True, input_shape=image_shape)
last_layer = Dense(k_bit, activation='tanh', name='Dense11')(x.layers[-1].output)
last_layer, x = basic_model()
lambda_layer = Lambda(loss_function)([last_layer, prim_binary_tensor])
model = Model(inputs=[x.input, prim_binary_tensor], outputs=[lambda_layer])
model.compile(optimizer="adam", loss=dummy_loss,metrics=['accuracy'])
return model
所以我的问题是：
1）我是用正确的方法来计算损失吗？是否保证为每个图像（input_data）调用lambda层函数？
2）有人可以建议我如何将多个参数传递给损失函数吗？
3）损失函数的最终结果可以是标量还是必须是向量或矩阵？
最佳答案
您的问题的答案：
我不知道您的方法是否可行，但是有一个更简单的解决方案。
您可以通过定义部分函数来传递多个参数。
损失函数的输出是标量。
这是一个示例，演示如何将多个参数传递给损失函数：
from keras.layers import Input, Dense
from keras.models import Model
import keras.backend as K
def custom_loss(arg1, arg2):
def loss(y_true, y_pred):
# Use arg1 and arg2 here as you wish and return loss
# For example:
return K.mean(y_true - y_pred) + arg1 + arg2
return loss
x = Input(shape=(1,))
arg1 = Input(shape=(1,))
arg2 = Input(shape=(1,))
out = Dense(1)(x)
model = Model([x, arg1, arg2], out)
model.compile('sgd', custom_loss(arg1, arg2))
关于python - 正确的损失函数方式，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/50295689/