对于一系列（x，Q ^ 2）值，我有一些数据y（x，Q ^ 2），对于函数形式，有ansatz作为
y_ansatz（x，Q ^ 2）= L（x，Q ^ 2）（1 + c（x）/ Q ^ 2）
其中L是已知值。
我想在我输入（x，Q ^ 2，L（x，Q ^ 2））并在y（x，Q ^ 2）上训练以获得c（x）的情况下进行拟合。
我尝试使用model.fit()，但这将为整个y（x，Q ^ 2）生成一个模型，而不仅仅是c（x），例如
inputs_train = np.stack((x_train, q2_train)).T
hist = model.fit(inputs_train,
dat_train,
batch_size= 32,
epochs=10000,
shuffle=True,
verbose=1,
callbacks=[es, mc],
validation_data=(inputs_val, dat_val))
我还想使用自定义损失函数，
损失=（1 / N_数据）*（y_ansatz-y_true）@ mat @（y_ansatz-y_true）
其中mat是一个N_data by N_data矩阵， 但是在keras中，您只能将y_pred和y_true传递给自定义损失函数。其他线程已经解决了这个问题，例如Keras Custom loss function to pass arguments other than y_true and y_pred，但我不知道如何在批处理数据时确保选择正确的mat元素。
如果有人知道怎么做会很有帮助：
为给定ansatz的一部分生成模型，而不是直接为数据生成模型
创建一个自定义损失函数，该函数需要其他输入并可以批量处理
非常感谢！ ：）