如何在Keras中向自定义损失函数传入特征值？

在Keras中，默认自定义损失函数仅接受y_true和y_pred两个参数，要引入额外的feature_val实现差异化损失，主要有两种常用方案：

方案1：使用闭包（嵌套函数） #

如果feature_val是全局固定值（如超参数），或可预先转换为张量的批量特征值，可以用闭包封装损失函数，让外层函数接收feature_val，内层函数仅保留Keras要求的两个参数：

import tensorflow as tf

def custom_loss_wrapper(feature_val):
    # 内层函数符合Keras损失函数的接口要求
    def custom_loss(y_true, y_pred):
        # 使用tf.abs替代原生abs，确保张量运算兼容
        return (feature_val ** 2) * tf.abs(y_true - y_pred)
    return custom_loss

# 示例使用：假设feature_val是一个张量或数值
feature_tensor = tf.convert_to_tensor([1.2, 3.4, 5.6])  # 批量特征值
model.compile(optimizer='adam', loss=custom_loss_wrapper(feature_tensor))

方案2：将特征作为模型输入的一部分（适用于样本级差异化特征） #

如果feature_val是每个样本独有的特征（如训练数据中的某一列），需要将其作为模型的额外输入，结合add_loss方法定义损失：

步骤1：构建多输入模型 #

from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model

# 主输入：模型的核心输入特征
main_input = Input(shape=(10,), name="main_features")
# 额外输入：用于计算差异化损失的特征值
feature_input = Input(shape=(1,), name="loss_feature")

# 构建模型主体结构
x = Dense(64, activation='relu')(main_input)
x = Dense(32, activation='relu')(x)
output = Dense(1, activation='linear')(x)

步骤2：定义并添加自定义损失 #

def custom_loss(y_true, y_pred, feature_val):
    # 对批量损失取均值，确保返回标量损失值
    return tf.reduce_mean((feature_val ** 2) * tf.abs(y_true - y_pred))

# 将标签作为临时输入，用于计算损失
target_input = Input(shape=(1,), name="target")
# 计算损失
loss = custom_loss(target_input, output, feature_input)

# 创建包含所有输入的模型
model = Model(inputs=[main_input, feature_input, target_input], outputs=output)
# 添加损失到模型
model.add_loss(loss)
# 编译模型（无需指定loss参数，因为已通过add_loss定义）
model.compile(optimizer='adam')

步骤3：训练模型 #

训练时需要传入三组数据：主特征、损失特征、标签：

import numpy as np

# 模拟训练数据
main_data = np.random.rand(1000, 10)
feature_data = np.random.rand(1000, 1)
labels = np.random.rand(1000, 1)

# 启动训练，y参数设为None（因为标签已作为输入传入）
model.fit(x=[main_data, feature_data, labels], y=None, epochs=10, batch_size=32)

注意事项 #

• 必须使用TensorFlow的张量运算（如tf.abs、tf.reduce_mean）替代Python原生运算，确保与Keras的计算图兼容。
• 如果损失返回的是批量中每个样本的损失值，Keras会自动取均值，但显式使用tf.reduce_mean可以更清晰地控制损失计算逻辑。

内容的提问来源于stack exchange，提问作者neel