我想随着步骤的增加改变施加在损失上的权重。为了实现这一点，我使用了tf.keras.losses.Loss的子类。然而，在其函数如__init__()或call()中的参数似乎无法在计算过程中获取步骤数。

如何在tf.keras.losses.Loss的子类中获取步骤数？

这是我的代码。

class CategoricalCrossentropy(keras.losses.Loss):    def __init__(self, weight, name="example"):        super().__init__(name=name)        self.weight = weight    def call(self, y_true, y_pred):        weight = self.weight*np.exp(-1.0*step) #我想在这里使用步骤数来降低权重。        loss = -tf.reduce_sum(weight*y_true*tf.math.log(y_pred))/y_shape[1]/y_shape[2] #对CategoricalCrossentropy施加权重                return loss

回答：

编辑（这是因为你没有告诉函数step的值，这将是一个局部变量，函数无法收集，因为它有自己的局部变量。）

我假设你通过迭代来设置步骤。简单地将其作为call函数的输入添加进去。

class CategoricalCrossentropy(keras.losses.Loss):    def __init__(self, weight, name="example"):        super().__init__(name=name)        self.weight = weight    def call(self, step, y_true, y_pred):        weight = self.weight*np.exp(-1.0*step) #我想在这里使用步骤数来降低权重。        loss = -tf.reduce_sum(weight*y_true*tf.math.log(y_pred))/y_shape[1]/y_shape[2] #对CategoricalCrossentropy施加权重                return losskeras_weight = 1keras_example = CategoricalCrossentropy(keras_weight)for step in range(1, max_step+1):     # 假设步骤不能等于0    loss = keras_example.call(1, y_true, y_perd)

如果你希望步骤是对象记得的东西，你可以简单地添加一个属性。

class CategoricalCrossentropy1(keras.losses.Loss):    def __init__(self, weight, name="example"):        super().__init__(name=name)        self.weight = weight        self.step = 1           #再次假设步骤不能等于0    def call(self, y_true, y_pred):        weight = self.weight*np.exp(-1.0*self.step) #我想在这里使用步骤数来降低权重。        loss = -tf.reduce_sum(weight*y_true*tf.math.log(y_pred))/y_shape[1]/y_shape[2] #对CategoricalCrossentropy施加权重                self.step += 1  # 增加步骤        return loss

希望这对你有帮助