我正在使用Keras和Tensorflow。由于我想创建LSTM-CRF模型，我使用tf.contrib.crf.crf_log_likelihood定义了自己的损失函数：

def loss(self, y_true, y_pred):    sequence_lengths = ... # 从y_true计算    log_likelihood, transition_params = tf.contrib.crf.crf_log_likelihood(y_pred, y_true, sequence_lengths)    loss = tf.reduce_mean(-log_likelihood)    self.transition_params = transition_params    return loss

众所周知，CRF在预测阶段需要转换参数。因此，我将transition_params存储到了实例变量self.transition_params中。

问题是self.transition_params在小批量处理期间从未被更新。根据我的观察，似乎它只在编译模型时存储了一次。

在Keras中，有没有办法将损失函数中的变量存储到实例变量中？

回答：

问题在于错误的函数签名tf.contrib.crf.crf_log_likelihood，你需要传递transition_params并使用当前的转换参数。以下更改将解决相同的问题。

log_likelihood, transition_params =     tf.contrib.crf.crf_log_likelihood(y_pred, y_true, sequence_lengths,      transition_params=self.transition_params)