我在尝试构建一个Keras的损失函数，其中我对预测值与一组给定值之间的最小距离进行惩罚。问题是我需要计算预测值与给定值之间的距离。

示例代码

def custom_loss(y_pred,y_test):    #给定值    centers=K.constant([[-2.5,-1],[-1.25,-2],[.5,-1],[1.5,.25]])    num_centers=K.int_shape(centers)[0]    #开始构建距离矩阵    height=K.int_shape(y_pred)[0]    i=0    current_center=K.reshape(K.repeat(K.reshape(centers[i,:],[1,-1]),height),[height,2])    current_dist=K.sqrt(K.sum(K.square(y_pred-current_center),axis=1))    #第一个中心的距离矩阵值    Distance=K.reshape(current_dist,[height,1])    for i in range(1,num_centers):        current_center=K.reshape(K.repeat(K.reshape(centers[i,:],[1,-1]),height),[height,2])        current_dist=K.sqrt(K.sum(K.square(y_pred-current_center),axis=-1))        current_dist=K.reshape(current_dist,[height,1])        #迭代地连接y_pred与剩余中心的距离        Distance=K.concatenate([Distance,current_dist],axis=-1)    #确定每个预测值到最近中心的最小距离    A=K.min(A,axis=1)    #返回平均最小距离作为损失    return K.sum(A)/float(height)

然而，我无法移除函数对y_pred第一维度的依赖，而这一维度是可变的。我使用数组广播来计算y_pred与每个给定值之间的差异，但我是明确地使用批次大小进行广播的，因为我不知道在Keras中如何不使用批次大小来实现这一点。然而，这会导致错误，因为在构建计算图时批次大小不是明确已知的。

我如何避免明确的广播？是否有更有效的方法来计算这个距离矩阵，因为当前的方法非常笨拙？

回答：

您的损失函数可以使用隐式广播来实现，如下所示:

注意: 未经测试。