我在学习TensorFlow 2的过程中，尝试复制OpenPose的训练过程，但为了实现这一点，我需要在损失函数中使用S、L中间层的输出。
我尝试使用函数式API，但似乎无法获取S/L层的输出以便在所需的损失函数中使用。我能看到通过子类化可能实现这一点，但这会增加复杂性，并且不利于调试。在我当前的学习阶段，调试和易用性可能是非常重要的优势。
有什么方法可以使用函数式API或顺序模型来构建这种类型的模型吗？
回答：
是的，函数式和顺序的Keras模型都支持这种操作。你可以传递一个包含层名称为键和损失函数为值的dict。下面是一个展示这种方法的代码示例。
如果你想从头开始构建模型，你可以简单地将层添加为模型的输出之一。
import tensorflow as tfimg = tf.keras.Input([128, 128, 3], name='image')conv_1 = tf.keras.layers.Conv2D(16, 3, 1, name='conv_1')(img)conv_2 = tf.keras.layers.Conv2D(16, 3, 1, name='conv_2')(conv_1)conv_3 = tf.keras.layers.Conv2D(16, 3, 1, name='conv_3')(conv_2)conv_4 = tf.keras.layers.Conv2D(16, 3, 1, name='conv_4')(conv_3)conv_5 = tf.keras.layers.Conv2D(16, 3, 1, name='conv_5')(conv_4)avg_pool = tf.keras.layers.GlobalAvgPool2D(name='avg_pool')(conv_5)output = tf.keras.layers.Dense(1, activation='sigmoid')(avg_pool)model = tf.keras.Model(inputs=[img], outputs=[output, conv_5])print(model.outputs)输出：
[<tf.Tensor 'dense/Sigmoid:0' shape=(None, 1) dtype=float32>,<tf.Tensor 'conv_5/BiasAdd:0' shape=(None, 118, 118, 16) dtype=float32>]但如果你正在使用一个已经构建好的模型，你可以使用model.get_layer方法访问一个层并创建一个新的模型：
intermediate_layer = model.get_layer('avg_pool').outputnew_model = tf.keras.Model(inputs=model.inputs, outputs=model.outputs + [intermediate_layer])print(new_model.outputs)输出：
[<tf.Tensor 'dense/Sigmoid:0' shape=(None, 1) dtype=float32>,<tf.Tensor 'conv_5/BiasAdd:0' shape=(None, 118, 118, 16) dtype=float32>,<tf.Tensor 'avg_pool/Mean:0' shape=(None, 16) dtype=float32>]然后编译你的模型，并为模型的每个输出指定一个单独的损失。这些损失可以是字符串，如果它们是Keras提供的默认损失，或者它们可以是实现你损失函数的可调用对象。
new_model.compile(optimizer='sgd', loss={ 'dense': 'binary_crossentropy', 'conv_5': 'mse', 'avg_pool': 'mae' })一些虚拟数据和标签
images = tf.random.normal([100, 128, 128, 3])conv_3_labels = tf.random.normal([100, 118, 118, 16])avg_pool_labels = tf.random.normal([100, 16])class_labels = tf.random.uniform([100], 0, 2, tf.float32)dataset = tf.data.Dataset.from_tensor_slices( (images, (class_labels, conv_3_labels, avg_pool_labels)))dataset = dataset.batch(4, drop_remainder=True)训练
new_model.fit(dataset)输出：
25/25 [==============================] - 2s 79ms/step - loss: 2.4339- dense_loss: 0.3904 - conv_5_loss: 1.2367 - avg_pool_loss: 0.8068