我在Keras中创建自定义损失函数时遇到了麻烦。

在我们的模型中，最后一层的尺寸（y_pred）是[32, 365]，它被视为未来365个时间框架的量化率。

我想创建一个自定义损失函数，包括交叉熵和RMSE。因此，操作需要1）对y_pred进行额外的预处理，以生成一个[32, 1]大小的logits，用于计算与二元标签(y_true)的交叉熵，以及2）对y_pred进行另一项预处理，以生成额外的[32, 1]值，用于计算与数值标签的RMSE。

据我所知，y_true和y_pred在Keras自定义损失函数中应该具有相同的维度。但在我的情况下，y_pred的尺寸是[32, 365]。我应该将y_true的维度设为[32, 365]，还是在计算两个损失之前将上述预处理步骤添加到Keras模型中？

在我的之前的解决方案中，我这样创建了自定义损失函数，但现在我怀疑y_true的维度是[32, 2]。如果维度是[32, 365]，数据值会是什么？

def losses(y_true, y_pred):    a = 0.2    loss1 = rmse_loss(y_true, preprocess1(y_pred))    loss2 = ce_loss(y_true,  preprocess2(y_pred))    loss = 0.2*loss1 + 0.8*loss2    return loss

附加信息：train_generator的输出是一个尺寸为[32, 10]和[32, 2]的元组，其中32是小批量大小，10是协变量的数量，2是标签的数量（二元，数值）

train_data = self.train_data_generator()ntd = next(train_data)print(ntd[0].shape, ntd[1].shape)>>> [32, 10], [32, 2]

回答：

另一种方法是在模型本身中执行这些操作。这样，您将拥有一个具有两个输出的模型，并且可以分别在每个输出上应用损失函数，具有各自的标签和损失权重：

from keras.layers import Lambda# 模型定义在这里...out1 = Lambda(preprocess1)(final_out) # 您也可以使用现有层来实现out2 = Lambda(preprocess2)(final_out)model = Model(inp, [out1, out2])model.compile(loss=[rmse_loss, ce_loss], loss_weights=[0.2, 0.8], ...)