即使尺寸不匹配，自定义损失函数也能正常工作
Custom loss function works even though dimensions mismatch
我将 Keras/TF 与以下模型一起使用：
conv = Conv2D(4, 3, activation = None, use_bias=True)(inputs)
conv = Conv2D(2, 1, activation = None, use_bias=True)(conv)
model = Model(input = inputs, output = conv)
model.compile(optimizer=Adam(lr=1e-4), loss=keras.losses.mean_absolute_error)
在 model.fit 中，我收到一条错误消息：
ValueError: Error when checking target: expected conv2d_2 to have
shape (300, 320, 2) but got array with shape (300, 320, 1)
这是预期的，因为目标是单通道图像，而模型中的最后一层有 2 个通道。
我不明白的是为什么当我使用自定义损失函数时：
def my_loss2(y_true, y_pred):
return keras.losses.mean_absolute_error(y_true, y_pred)
并编译模型：
model.compile(optimizer = Adam(lr=1e-4), loss=my_loss2)
它确实有效（或者至少，不给出错误）。是否有某种自动 conversion/truncation 正在进行？
我正在使用 TF (CPU) 1.12.0 和 Keras 2.2.2
真诚的，
埃拉德
为什么内置损失和自定义损失的行为不同？
事实证明，Keras 正在对损失模块中定义的内置函数执行前期形状检查。
在fit调用的Model._standardize_user_data的源代码中，我发现了这个注释：
# If `loss_fn` is not a function (e.g. callable class)
# or if it not in the `losses` module, then
# it is a user-defined loss and we make no assumptions
# about it.
在该评论周围的代码中，您确实可以看到，根据损失函数的类型（内置或自定义），输出形状要么传递给 standardize_input_data 的内部调用，要么不传递.如果输出形状通过，standardize_input_data 会引发您收到的错误消息。
而且我认为这种行为是有道理的：不知道损失函数的实现，就无法知道它的形状要求。有人可能会发明一些需要不同形状的损失函数。另一方面，docs 明确表示损失函数的参数必须具有相同的形状：
y_true: True labels. TensorFlow/Theano tensor.
y_pred: Predictions. TensorFlow/Theano tensor of the same shape as y_true.
所以我觉得这有点不一致...
为什么您的自定义损失函数适用于不兼容的形状？
如果您提供自定义损失，它可能仍然有效，即使形状不完全匹配。在您的情况下，只有最后一个维度不同，我很确定 broadcasting 是正在发生的事情。您的目标的最后一个维度将被复制。
在很多情况下广播非常有用。然而，这里可能不是，因为它隐藏了一个逻辑错误。
我将 Keras/TF 与以下模型一起使用：
conv = Conv2D(4, 3, activation = None, use_bias=True)(inputs)
conv = Conv2D(2, 1, activation = None, use_bias=True)(conv)
model = Model(input = inputs, output = conv)
model.compile(optimizer=Adam(lr=1e-4), loss=keras.losses.mean_absolute_error)
在 model.fit 中，我收到一条错误消息：
ValueError: Error when checking target: expected conv2d_2 to have shape (300, 320, 2) but got array with shape (300, 320, 1)
这是预期的，因为目标是单通道图像，而模型中的最后一层有 2 个通道。
我不明白的是为什么当我使用自定义损失函数时：
def my_loss2(y_true, y_pred):
return keras.losses.mean_absolute_error(y_true, y_pred)
并编译模型：
model.compile(optimizer = Adam(lr=1e-4), loss=my_loss2)
它确实有效（或者至少，不给出错误）。是否有某种自动 conversion/truncation 正在进行？
我正在使用 TF (CPU) 1.12.0 和 Keras 2.2.2
真诚的， 埃拉德
为什么内置损失和自定义损失的行为不同？
事实证明，Keras 正在对损失模块中定义的内置函数执行前期形状检查。
在fit调用的Model._standardize_user_data的源代码中，我发现了这个注释：
# If `loss_fn` is not a function (e.g. callable class) # or if it not in the `losses` module, then # it is a user-defined loss and we make no assumptions # about it.
在该评论周围的代码中，您确实可以看到，根据损失函数的类型（内置或自定义），输出形状要么传递给 standardize_input_data 的内部调用，要么不传递.如果输出形状通过，standardize_input_data 会引发您收到的错误消息。
而且我认为这种行为是有道理的：不知道损失函数的实现，就无法知道它的形状要求。有人可能会发明一些需要不同形状的损失函数。另一方面，docs 明确表示损失函数的参数必须具有相同的形状：
y_true: True labels. TensorFlow/Theano tensor.
y_pred: Predictions. TensorFlow/Theano tensor of the same shape as y_true.
所以我觉得这有点不一致...
为什么您的自定义损失函数适用于不兼容的形状？
如果您提供自定义损失，它可能仍然有效，即使形状不完全匹配。在您的情况下，只有最后一个维度不同，我很确定 broadcasting 是正在发生的事情。您的目标的最后一个维度将被复制。
在很多情况下广播非常有用。然而，这里可能不是，因为它隐藏了一个逻辑错误。