Question

我的模型是这样的，它分为2个输出层，如下所示：

输入 - ＆gt; L1 - ＆gt; L2 - ＆gt; L3-＆gt; OUT1

输入 - ＆gt; L1 - ＆gt; L2 - ＆gt; L3-＆gt; out2

我这样使用它是因为我希望out1和out2拥有2种不同的激活功能。因此，我创建了一个模型：

model = Model(inputs=[input_layer], outputs=[out1, out2])

我正在使用以下方法编译它：

model.compile(Adam(lr=1e-2), loss=[loss_fn1, loss_fn2], metrics=[accuracy])

损失函数以这种方式定义：

def loss_fn1(y_true, y_pred):
    #send channel 1 to get bce dice loss
    loss1 = binary_crossentropy(y_true[:, :, :, 0:1], y_pred[:, :, :, 0:1])   
    return loss1

def loss_fn2(y_true, y_pred):    
    #l2 loss for channels 2 and 3
    loss2 = mean_squared_error(y_true[:, :, :, 1:3], y_pred[:, :, :, 1:3])
    return loss2

这是loss_fn1 out1和loss_fn2 out2上的loss_fn1吗？因为，这是我打算做的，但我不确定我的代码是否真的这样做。任何指针都会有所帮助。

我想在out1张量上使用loss_fn2 out2张量{{1}}函数。

编辑：

loss_fn1范围内的损失值：[0,1] - sigmoid激活。

loss_fn2范围内的损失值：[0，inf] - 无激活

有没有办法独立减少loss_fn1和loss_fn2，而不使用单独的模型？我担心loss1 + loss2最终只会导致loss2值的减少，因为与loss2相比，loss1的值较低。

Answer 1

是的，你的解释是正确的。来自Keras documentation：

如果模型有多个输出，则可以通过传递字典或损失列表在每个输出上使用不同的损失。然后，模型将最小化的损失值将是所有单个损失的总和。

分支输出Keras

1 个答案: