为什么我的 Keras 自定义损失函数不起作用？
Why is my Keras custom loss function not working?
我写了一个平方损失函数来对一个热编码数据进行分类
def squared_categorical_loss(y_true, y_pred):
return K.mean(K.square(1.0 - K.sum(y_true * y_pred, axis=(1))))
在给定 numpy 数组示例时有效，例如
y_true = np.asarray([[1,0,0],[0,1,0]])
y_pred = np.asarray([[0.5,0.2,0.3],[0.4,0.6,0]])
squared_categorical_loss(y_true, y_pred)
上面的例子 returns 一个值为 0.205 的张量，它是 (1-0.5)^2 和 (1-0.6)^2 的平均值，这是期望的结果，应该是通常与准确性相关的可优化损失函数，但当我将其应用于 TensorFlow 模型时
model.compile(optimizer='adam',
loss=squared_categorical_loss,
metrics=['accuracy'])
损失减少到极小的值，而训练精度保持在 50% 以下，这是不可能的，因为如果精度不高于 50%，损失低于 0.125 是无法在数学上实现的，所以我的问题出在哪里执行？
谢谢！
仅当 y_pred 标准化（和等于 1）时才有效。
我认为您忘记在模型的最后一层应用 softmax。
我写了一个平方损失函数来对一个热编码数据进行分类
def squared_categorical_loss(y_true, y_pred):
return K.mean(K.square(1.0 - K.sum(y_true * y_pred, axis=(1))))
在给定 numpy 数组示例时有效，例如
y_true = np.asarray([[1,0,0],[0,1,0]])
y_pred = np.asarray([[0.5,0.2,0.3],[0.4,0.6,0]])
squared_categorical_loss(y_true, y_pred)
上面的例子 returns 一个值为 0.205 的张量，它是 (1-0.5)^2 和 (1-0.6)^2 的平均值，这是期望的结果，应该是通常与准确性相关的可优化损失函数，但当我将其应用于 TensorFlow 模型时
model.compile(optimizer='adam',
loss=squared_categorical_loss,
metrics=['accuracy'])
损失减少到极小的值，而训练精度保持在 50% 以下，这是不可能的，因为如果精度不高于 50%，损失低于 0.125 是无法在数学上实现的，所以我的问题出在哪里执行？ 谢谢！
仅当 y_pred 标准化（和等于 1）时才有效。
我认为您忘记在模型的最后一层应用 softmax。