张量流在损失函数中使用输入答案

【问题标题】：tensorflow use input in loss function张量流在损失函数中使用输入
【发布时间】：2021-10-15 15:47:43
【问题描述】：

我正在使用 tensorflow/keras，我想在损失函数中使用输入

按照这里的答案

Custom loss function in Keras based on the input data

我就这样创建了我的损失函数

def custom_Loss_with_input(inp_1):
    def loss(y_true, y_pred):
        b = K.mean(inp_1)
        return y_true - b
    return loss

并设置具有层的模型，所有结束都像这样


    model = Model(inp_1, x)    
    model.compile(loss=custom_Loss_with_input(inp_1), optimizer= Ada)   
    return model

但是，我收到以下错误：

TypeError: Cannot convert a symbolic Keras input/output to a numpy array. This error may indicate that you're trying to pass a symbolic value to a NumPy call, which is not supported. Or, you may be trying to pass Keras symbolic inputs/outputs to a TF API that does not register dispatching, preventing Keras from automatically converting the API call to a lambda layer in the Functional Model.

关于如何消除此错误的任何建议？提前致谢

【问题讨论】：

标签： python python-3.x tensorflow keras tensorflow2.0

【解决方案1】：

您可以使用add_loss 将外部层传递给您的损失，在您的情况下是输入张量。

这里是一个例子：

def CustomLoss(y_true, y_pred, input_tensor):
    b = K.mean(input_tensor)
    return K.mean(K.square(y_true - y_pred)) + b

X = np.random.uniform(0,1, (1000,10))
y = np.random.uniform(0,1, (1000,1))

inp = Input(shape=(10,))
hidden = Dense(32, activation='relu')(inp)
out = Dense(1)(hidden)
target = Input((1,))
model = Model([inp,target], out)

model.add_loss( CustomLoss( target, out, inp ) )
model.compile(loss=None, optimizer='adam')
model.fit(x=[X,y], y=None, epochs=3)

如果您的损失由不同的部分组成，并且您想跟踪它们，您可以添加与损失部分相对应的不同损失。这样，损失会在每个 epoch 结束时打印出来，并存储在model.history.history 中。请记住，训练期间最小化的最终损失是各个损失部分的总和。

def ALoss(y_true, y_pred):
    return K.mean(K.square(y_true - y_pred))

def BLoss(input_tensor):
    b = K.mean(input_tensor)
    return b

X = np.random.uniform(0,1, (1000,10))
y = np.random.uniform(0,1, (1000,1))

inp = Input(shape=(10,))
hidden = Dense(32, activation='relu')(inp)
out = Dense(1)(hidden)
target = Input((1,))
model = Model([inp,target], out)

model.add_loss(ALoss( target, out ))
model.add_metric(ALoss( target, out ), name='a_loss')
model.add_loss(BLoss( inp ))
model.add_metric(BLoss( inp ), name='b_loss')
model.compile(loss=None, optimizer='adam')
model.fit(x=[X,y], y=None, epochs=3)

要在推理模式下使用模型（从输入中删除目标）：

final_model = Model(model.input[0], model.output)
final_model.predict(X)

【讨论】：