前文分别讲了tensorflow2.0中自定义Layer和自定义Model，本文将来讨论如何自定义损失函数。
（一）tensorflow2.0 - 自定义layer
（二）tensorflow2.0 - 自定义Model
（三）tensorflow2.0 - 自定义loss function（损失函数）
（四）tensorflow2.0 - 实战稀疏自动编码器SAE
自定义损失函数有两种情况，一种比较简单，而另一种稍显复杂。
先来讨论第一种简单的情况，即不需要额外的参数。
什么叫额外的参数呢？损失函数有两个默认参数，分别为实际输出、预测输出，如果损失函数只需要这两个参数，那么设计起来就很方便。
# 定义损失函数
def custom_loss(y_actual,y_pred):
custom_loss= (y_actual-y_pred)**2
return custom_loss
# 使用该loss function
model.compile(loss=custom_loss, optimizer=...)
这种情况下，y_actual和y_pred的值会自动传入该损失函数中，无需操心，这种实现也比较简单。
第二种情况，损失函数需要额外的参数，即损失函数需要的数据不止是预测值和真实值这么简单，比如我要添加一个权重的惩罚项以防权重过大，这时上面方法就行不通了。
这种情况没办法，只能自己自行设计模型运行流程了。
class SAEModel(Model):
# 可以传入一些超参数，用以动态构建模型
# __init__()方法在创建模型对象时被调用
def __init__(self, input_shape, hidden_shape=None):
# 隐藏层节点个数默认为输入层的3倍
if hidden_shape == None:
hidden_shape = 3 * input_shape
# 调用父类__init__()方法
super(SAEModel, self).__init__()
self.layer_1 = SAELayer(hidden_shape)
self.layer_2 = layers.Dense(input_shape, activation=tf.nn.sigmoid)
def call(self, input_tensor, training=False):
# 输入数据
hidden = self.layer_1(input_tensor)
output = self.layer_2(hidden)
return output
# 计算损失值
def get_loss(self, input_tensor):
hidden = self.layer_1(input_tensor)
output = self.layer_2(hidden)
# 计算loss
# 计算MSE
mse = (1 / 2) * tf.reduce_sum(kb.square(input_tensor - output))
# 计算权重乘法项
alpha = 0.1
W1 = self.layer_1.kernel
W2 = self.layer_2.kernel
weightPunish = (alpha / 2) * (tf.reduce_sum(kb.square(W1)) + tf.reduce_sum(kb.square(W2)))
ans = tf.constant(mse + weightPunish)
return ans
def get_grad(self, input_tensor):
with tf.GradientTape() as tape:
tape.watch(self.variables)
L = self.get_loss(input_tensor)
g = tape.gradient(L, self.variables)
return g
def network_learn(self, input_tensor):
g = self.get_grad(input_tensor)
optimizers.Adam().apply_gradients(zip(g, self.variables))
在本模型中，为了自定义带有额外参数的loss function（即权重惩罚项），因此需要对整个模型的流程进行自定义。传统模型只需包括__init__()方法和call()方法即可，但在本例中，可以看出call()方法中的代码被get_loss()方法囊括了，这样是为了方便在计算损失函数时获得需要的参数。
本模型执行流程为：network_learn -> get_grad -> get_loss（执行一次神经网络训练过程，并计算损失值） -> get_grad（根据返回的损失值计算梯度并返回） -> network_learn（根据返回的梯度，使用某种优化器（本例为Adam）更新模型中所有需要训练的参数（也可以指定某些参数））
训练过程也变了，代码如下，需要手动进行设置了：
saeModel = SAEModel(inputList.shape[-1], hiddenNum)
for i in range(1000):
saeModel.network_learn(tf.constant(inputList))
到此，我已介绍完如何使用tensorflow2.0自定义Layer、自定义Model、自定义Loss Function，接下来将会将这三者结合起来，实现一个完整的例子——（四）tensorflow2.0 - 实战稀疏自动编码器SAE
参考文献：