分支输出 Keras

Question

我的模型是这样的，它分为 2 个输出层，如下所示：

输入 -> L1 -> L2 -> L3 -> out1

输入 -> L1 -> L2 -> L3 -> out2

我这样使用它是因为我希望 out1 和 out2 有 2 个不同的激活函数。因此，我创建了一个模型：

model = Model(inputs=[input_layer], outputs=[out1, out2])

我正在编译它：

model.compile(Adam(lr=1e-2), loss=[loss_fn1, loss_fn2], metrics=[accuracy])

损失函数是这样定义的：

def loss_fn1(y_true, y_pred):
    #send channel 1 to get bce dice loss
    loss1 = binary_crossentropy(y_true[:, :, :, 0:1], y_pred[:, :, :, 0:1])   
    return loss1

def loss_fn2(y_true, y_pred):    
    #l2 loss for channels 2 and 3
    loss2 = mean_squared_error(y_true[:, :, :, 1:3], y_pred[:, :, :, 1:3])
    return loss2

这是否在out1 和loss_fn2 上使用loss_fn1 out2 张量？因为，这就是我打算做的，但我不确定我的代码是否真的做到了。任何指针都会有所帮助。

我想在out1张量上使用loss_fn1，在out2张量上使用loss_fn2函数。

编辑：

loss_fn1 范围内的损失值：[0, 1] - sigmoid 激活。

loss_fn2 范围的损失值：[0, inf] - 没有激活

有没有办法单独减少 loss_fn1 和 loss_fn2，而不使用单独的模型？恐怕 loss1 + loss2 最终只会导致 loss2 的值减少，因为 loss1 与 loss2 相比具有较低的值。

Answer 1

是的，您的解释是正确的。来自Keras documentation：

如果模型有多个输出，您可以通过传递字典或损失列表对每个输出使用不同的损失。模型将最小化的损失值将是所有单个损失的总和。