Keras实现需要内层输出作为标签的定制损失函数

Question

在keras中，我想自定义我的损失函数，它不仅需要(y_true, y_pred)作为输入，还需要使用网络内部层的输出作为输出层的标签。这张图显示了Network Layout

这里，内部输出是xn，它是一个一维特征向量。右上角，输出为xn'，即xn的预测。换句话说，xn 是 xn' 的标签。

虽然 [Ax, Ay] 传统上称为 y_true，而 [Ax',Ay'] 是 y_pred。

我想将这两个损失分量合并为一个并联合训练网络。

非常感谢任何想法或想法!

Answer 1

我已经找到了解决办法，以防有人正在寻找相同的方法，我发布在这里(基于本文中给出的网络):

这个想法是定义定制的损失函数并将其用作网络的输出。 (注解:A是变量A的真实标签，A'是变量A的预测值)

def customized_loss(args):
    #A is from the training data
    #S is the internal state
    A, A', S, S' = args 
    #customize your own loss components
    loss1 = K.mean(K.square(A - A'), axis=-1)
    loss2 = K.mean(K.square(S - S'), axis=-1)
    #adjust the weight between loss components
    return 0.5 * loss1 + 0.5 * loss2

 def model():
     #define other inputs
     A = Input(...) # define input A
     #construct your model 
     cnn_model = Sequential()
     ...
     # get true internal state
     S = cnn_model(prev_layer_output0)
     # get predicted internal state output
     S' = Dense(...)(prev_layer_output1)
     # get predicted A output
     A' = Dense(...)(prev_layer_output2)
     # customized loss function
     loss_out = Lambda(customized_loss, output_shape=(1,), name='joint_loss')([A, A', S, S'])
     model = Model(input=[...], output=[loss_out])
     return model

  def train():
      m = model()
      opt = 'adam'
      model.compile(loss={'joint_loss': lambda y_true, y_pred:y_pred}, optimizer = opt)
      # train the model 
      ....