Keras 的 MSE 损失函数显示与 Tensorflow 的 MSE 度量不同的输出？答案

【问题标题】：MSE loss function of Keras shows different output then MSE metric of Tensorflow?Keras 的 MSE 损失函数显示与 Tensorflow 的 MSE 度量不同的输出？
【发布时间】：2019-05-13 12:05:15
【问题描述】：

我正在训练一个在最后一层具有连续输出的卷积网络。最后一层有4个节点。我使用均方误差作为损失函数。作为检查，我使用了 Tensorflow 的均方误差。这对于第一个时期的第一批仅给出了相同的结果。因此我的问题是为什么这些不同？我使用了最大池化的卷积层，最后我将它展平并使用了 dropout。

此外，我还想知道如何计算 4 个节点的均方误差？它只是对每个节点的均方误差求和吗？因为当我计算每个节点的均方误差时，没有明确的连接。

这是指标。

def loss(y_true, y_pred):
    loss = tf.metrics.mean_squared_error(y_true, y_pred)[1]
    K.get_session().run(tf.local_variables_initializer())
    return loss

我在这里编译模型

model.compile(loss='mse', optimizer= adam, metrics=[loss, node])

这就是我计算一个节点的均方误差的方法：

def node(y_true, y_pred):
    loss = tf.metrics.mean_squared_error(y_true[:,0], y_pred[:,0])[1]
    K.get_session().run(tf.local_variables_initializer())
    return node

这是模型的简化形式：

    width = height = 128
    model = Sequential()

    model.add(Convolution2D(filters=64, kernel_size=(5, 5), activation='relu', padding='same',
                            input_shape=(width, height, 1)))
     model.add(MaxPooling2D(pool_size=(3, 3)))
    model.add(Flatten())
    model.add(Dense(units=256, activation='relu'))
    model.add(Dropout(0.4))
    model.add(Dense(units=4, activation='linear'))

    adam = Adam(lr=0.01, beta_1=0.9, beta_2=0.999, epsilon=None, decay=0) 
    model.compile(loss='mse', optimizer= adam, metrics=[loss,node])

【问题讨论】：

“最后一层有4个节点”是什么意思？代码将是说明性的。
我添加了模型的简化形式
您能否在检查指标损失和训练损失的地方添加代码？

标签： python tensorflow keras mean-square-error

【解决方案1】：

您正在返回函数本身。

看看你的代码：

def node(y_true, y_pred):
    loss = tf.metrics.mean_squared_error(y_true[:,0], y_pred[:,0])[1]
    K.get_session().run(tf.local_variables_initializer())
    return node # This is a function name. This should be "return loss"

先尝试纠正这个问题。

【讨论】：