Tensorflow 2.0错误，自定义损失函数

如何解决Tensorflow 2.0错误，自定义损失函数

我定义了一个损失函数，但是当我运行model.fit（）时遇到了我无法解决的错误。

这是我的损失函数：

def l2_loss_eye_distance_normalised(y_actual,y_pred):
    #this loss function expects an exact,specific indexing order in the labels

    # the squared,ground truth,interocular distance
    eye_dst_vector = np.array([y_actual[0] - y_actual[2],y_actual[1] - y_actual[3]])
    denominator = kb.sum(kb.square(eye_dst_vector))

    #the squared distance between predition vector and ground truth vector
    dst_vec = y_actual - y_pred
    numerator = kb.sum(kb.square(dst_vec))

    return tf.cast(numerator / denominator,dtype="float32")

稍后在main（）中，我使用以下命令编译模型：

model.compile(
        optimizer=tf.keras.optimizers.Adam(0.001),loss=l2_loss_eye_distance_normalised,#custom loss
        metrics=['mae','mse']
    )

当调用model.fit（）时出现错误：

history = model.fit(
    train_ds,validation_data=val_ds,epochs=EPOCHS,verbose = 1
)

我认为我在自定义损失函数上犯了一个错误，但我不明白哪里出了问题。有人可以帮忙吗？：）

Error Message

解决方法

在您的方法中，您将进行一个while循环，在其中循环访问批处理维度。然而，这是非常低效和不必要的，并且更类似于您在python中而不是tensorflow上的想法。相反，您应该一次为每个批次进行每个计算。请记住，损失输出是单个标量（这就是为什么您收到错误消息“ expected non-tensor”的原因），因此无论如何最终都必须对批次进行求和。

假定，您的形状为(Batch,label)=(None,4)（如果您有其他中间尺寸，例如由于一个序列，只需将它们添加到下面的所有索引中），即可：

left = tf.math.squared_difference(y_actual[:,0],y_actual[:,2] # shape: (Batch,)
right = tf.math.squared_difference(y_actual[:,1],3] # shape: (Batch,)
denominator = left + right # shape: (Batch,)

从这里开始，所有内容都必须为(Batch,)形状：

dst_vec = tf.math.squared_difference(y_actual,y_pred) # shape: (Batch,4)
numerator = tf.reduce_sum(dst_vec,axis=-1) # shape: (Batch,)

loss_for_each_batch = tf.cast(numerator / denominator,dtype="float32")

现在，如何从loss_for_each_batch中获得最终损失取决于您的设计，但是简单地累加单个损失将是正常方法：

return tf.reduce_sum(loss_for_each_batch)