我正在创建一个自定义损失函数，其中包含许多代码和方程式。当我尝试这样编译模型时：
model.compile（optimizer ='rmsprop'，loss = custom_loss（pic），metrics = ['accuracy']）
我收到一个错误，试图了解如何解决。
除此之外，我还必须更改函数内部的某些内容才能使其运行，并且我也有兴趣将其更改回原来的位置，所以我共有两个问题。
问题1：
我遇到了一个错误，尽管我确保在自定义损失函数期间打印出一些东西，以告知在哪里接收到错误，并且看起来它能够在整个损失函数中运行，直到返回命令为止。但是，我得到的错误是
'numpy.float64' object has no attribute 'get_shape'
，更详细的错误是：
AttributeError Traceback (most recent call
last)
<ipython-input-254-fe4381ab64e0> in <module>()
----> 1 model.compile(optimizer='rmsprop',loss=custom_loss(pic), metrics=
['accuracy'])
2 frames
/usr/local/lib/python3.6/dist-packages/keras/engine/training.py in
compile(self, optimizer, loss, metrics, loss_weights, sample_weight_mode,
weighted_metrics, target_tensors, **kwargs)
340 with K.name_scope(self.output_names[i] +
'_loss'):
341 output_loss = weighted_loss(y_true, y_pred,
--> 342 sample_weight,
mask)
343 if len(self.outputs) > 1:
344 self.metrics_tensors.append(output_loss)
/usr/local/lib/python3.6/dist-packages/keras/engine/training_utils.py in
weighted(y_true, y_pred, weights, mask)
415 if weights is not None:
416 # reduce score_array to same ndim as weight array
--> 417 ndim = K.ndim(score_array)
418 weight_ndim = K.ndim(weights)
419 score_array = K.mean(score_array,
/usr/local/lib/python3.6/dist-
packages / keras / backend / tensorflow_backend.py 617``` 618“”“ -> 619昏暗= x.get_shape（）._ dims 620如果暗淡不是无： 621返回len（dims）
丢失功能很长，我在此版本中包含一些印刷材料，因为也许可以帮助您了解问题所在：
'''def dl_loss(x,pic):
print('orig shape(x): ',x.shape)
x=tf.reshape(x,[2501,1])
print('try shape(x): ',x.shape)
a=x[0]
print('tfshape(a): ',a.shape)
print('shape(a): ',np.shape(a))
ms=x[1:]
print('tfshape(ms): ',np.shape(ms))
frac=2
ms_reshaped=tf.reshape(ms,[int(np.shape(pic)[0]/frac),int(np.shape(pic)
[0]/frac)])
print('got here')
ms=upsample(ms_reshaped,2) #THIS IS MY OWN FUNCTION THAT I ALSO NEED HELP
WITH
print('finished upsampling')
h=np.shape(pic)[0]
w=np.shape(pic)[1]
print('hot h and w')
cur_noisy=(a*np.ones(np.shape(pic)))*(np.ones(np.shape(pic))+ms)
print('got noisy pic')
cur_clean=pic/(1.000000000001+ms)
print('got clean pic')
avg_m=np.mean(ms)
std_m=np.std(ms)
l_4=0.6*shannon_entropy(np.around(cur_clean,3))
if std_m<0.1:
# print('in')
l_4=5*l_4
print('got l_4')
F_new=im2freq(cur_clean)
F_noisy=im2freq(pic)
print('got fourriers')
l_1=abs(avg_m)
print('got l1')
l_2=-(np.sum(abs(F_noisy[int(np.round(0.5*h)):,int(np.round(0.5*w)):]))
-np.sum(abs(F_new[int(np.round(0.5*h)):,int(np.round(0.5*w)):])))
l_2=l_2/10000
print('got l2')
m_max=np.max(ms)
m_min=np.min(ms)
std=(m_max-m_min)/3
perc_pix_in_1_std = len(np.where(np.logical_and(ms>(avg_m-std),
ms<(avg_m+std)))[0])/(np.shape(pic)[0]*np.shape(pic)[1])
l_3=(0.95-perc_pix_in_1_std) #because we're expecting m to be normally
distributed
print('got l3')
print('final shape: ',np.shape(l_1+l_2+l_4))
return (l_1+l_3+l_4)'''
我从中得到的是： 原始形状（x）：( ?， 2501） 尝试shape（x）：（2501，1） tfshape（a）：（1，） 形状（a）：( 1，） tfshape（毫秒）：（2500，1） 去那里 r_size：50 c_size：50 完成升采样 H和W 嘈杂的图片 干净的照片 得到了l_4 有富勒 得到了l1 得了l2 得了l3 最终形状：（）
这意味着它确实设法完成了整个功能。
我输入到编译器中的自定义损失是 '''def custom_loss（pic）：
def my_loss(y_true, y_pred):
return dl_loss(y_pred,pic)
return my_loss'''
问题2：
'''ms=upsample(ms_reshaped,2) #THIS IS MY OWN FUNCTION THAT I ALSO NEED
HELP WITH
print('finished upsampling')'''
实际的上采样定义： '''def upsample（pic，frac）： frac = int（分数） r_siz = np.shape（pic）[0] 打印（'r_size：'，r_siz） c_siz = np.shape（pic）[1] print（'c_size：'，c_siz） new_pic = np.zeros（（frac r_siz，frac c_siz）） 对于我在范围内（r_siz）： 对于范围（c_siz）中的j：
#new_pic [frac i：frac i + frac，frac j：frac j + frac] = pic [i，j] * np.ones（（frac ，frac））
new_pic[frac*i:frac*i+frac,frac*j:frac*j+frac]=3*np.ones((frac,frac))
return new_pic'''
我必须将pic [i，j]更改为一些随机数3才能运行。我知道这里的图片是一个tensorflow对象，当编译器尝试运行时，它没有实际的矩阵，而只是一个占位符，也许这就是问题所在吗？我虽然先编译它，然后再改回来。无论如何，我也该如何解决？
非常感谢任何尝试了解此问题的人！