我正在研究一种递归自动编码器。神经网络采用两个2D图像，每个图像形状（28,28,1）并组合以创建（28,28,2）的输入。它们被编码成（28,28,1）形状，并被解码回原始形状（28,28,2）。因此，编码形式的数据可以输入自动编码器进行递归操作。
我们可以假设通道1是新图像，通道2是先前编码的数据。如何创建一个损失函数，对于重构通道2的错误（因为这将携带以前编码的数据）更严重地惩罚？
我在Keras工作，有一个Tensorflow后端。
或者，有没有办法将网络作为一个完整的树进行训练，而不是只对单个两个输入进行训练 - 一次两个输出块？
答案 0 :(得分：2)
您可以将已解码的（28,28,2）重新分成2个图像作为输出，并使用loss_weights指定重要性权重。来自documentation：
model.compile(optimizer='rmsprop', loss='binary_crossentropy',
loss_weights=[1., 0.2])
是的，Keras中的所有模型都像图层一样，因此您可以将它们链接在一起构建一个树。然后，您可以一次性训练网络，并决定是否要分享权重等。但是，训练可能更困难。我建议使用功能API来创建这些更复杂的结构，以便您有更多的控制权。