我正在做一个CNN网络，该网络具有N层conv和M层conv-transpose。通过经历CNN的N + M层，目标是将每个图像(height, width, 3 color channel)转换为(height, width, nClasses)，同时保持图像的任意高度和宽度。
比方说，数据集有6,000张图像，并且每个图像的高度和宽度都不同，因此输出y_pred就像一个列表，每个图像的大小都是任意的：[img1_out, img2_out, ... , img6000_out]。所有image_out都具有“ nClass”通道，但是每个通道都有其自己的原始/任意高度和宽度，这意味着y_pred的形状类似于(6000, None, None, nClasses)，其中None和None是height和width的占位符，它们没有固定值。
现在，我想计算此y_pred和y_true之间的L2损耗，而y_true是具有与y_pred相同维度的Ground Truth数据：{ {1}}。
(6000, None, None, nClasses)，我想将此转换为Keras后端函数，但不确定（1）张量是否可以具有任意大小？
（2）当形状不固定时，如何像Keras后端函数一样将 def l2_loss(y_true, y_pred):
loss = 0
n = y_true.shape[0]
for j in range(n):
loss = loss + np.sum((y_true - y_pred[i, :, :, :])**2)
return loss/num_joints
转换为for-loop方式。
谢谢您的任何建议！