我在Keras中偶然发现了mse的定义，但似乎找不到解释。

def mean_squared_error(y_true, y_pred):    return K.mean(K.square(y_pred - y_true), axis=-1)

我原本期望均值是针对批次计算的，也就是axis=0，但实际上是axis=-1。

我还尝试了一下，看看K.mean是否真的像numpy.mean那样工作。我一定是误解了什么。能有人解释一下吗？

我实际上不能在运行时查看成本函数内部，对吗？据我所知，这个函数是在编译时调用的，这阻止了我评估具体的值。

我的意思是…想象一下进行回归，拥有一个输出神经元，并且以批量大小为十进行训练。

>>> import numpy as np>>> a = np.ones((10, 1))>>> aarray([[ 1.],       [ 1.],       [ 1.],       [ 1.],       [ 1.],       [ 1.],       [ 1.],       [ 1.],       [ 1.],       [ 1.]])>>> np.mean(a, axis=-1)array([ 1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.,  1.])

它所做的只是将数组展平，而不是取所有预测的均值。

回答：

K.mean(a, axis=-1) 和 np.mean(a, axis=-1) 只是在最后一个维度上取均值。这里的a是一个形状为(10, 1)的数组，在这种情况下，在最后一个维度上取均值与将其展平为形状为(10,)的一维数组是相同的。这样实现是为了支持更一般的案例，例如多元线性回归。

此外，您可以在运行时使用keras.backend.print_tensor检查计算图中节点的值。参见回答：在Keras训练时是否有办法调试张量内部的值？

编辑：你的问题似乎是关于为什么损失函数不返回单一标量值，而是为批次中的每个数据点返回一个标量值。为了支持样本加权，Keras的损失函数期望为批次中的每个数据点返回一个标量。参见损失函数文档和fit的sample_weight参数以获取更多信息。特别注意：“实际优化的目标是所有数据点的输出数组的[加权]均值。”