Keras中如何在训练阶段逐批次修改损失值？

首先明确：无法通过Keras回调里的logs直接修改训练时的实际损失值——logs只是训练指标的记录载体，修改它只会改变日志输出，不会影响反向传播时用的损失计算结果。

下面给两种可行的实现思路：

思路1：自定义损失函数（推荐） #

这是最直接的方案，把损失的修改逻辑直接嵌入损失计算过程中，完全控制损失的生成：

import tensorflow as tf

def custom_loss(y_true, y_pred):
    # 1. 计算你的原始基础损失
    base_loss = tf.keras.losses.sparse_categorical_crossentropy(y_true, y_pred)  # 替换成你原本的损失计算逻辑
    # 2. 执行你的额外计算
    extra_term = tf.reduce_mean(y_pred)  # 示例：用预测值的均值作为额外项，按需替换
    # 3. 修改损失值（加/减额外项）
    modified_loss = base_loss + extra_term  # 减法直接改成 base_loss - extra_term
    return modified_loss

使用时，在模型编译阶段指定这个自定义损失：

model.compile(optimizer="adam", loss=custom_loss)

思路2：手动控制训练循环 #

如果你的额外计算依赖训练过程中的动态状态（比如模型中间层的输出、当前batch的其他中间结果），可以放弃Keras的自动训练循环，手动实现训练步骤，从而完全掌控损失的修改和反向传播：

import tensorflow as tf
import sys

# 初始化模型、优化器、基础损失函数
model = tf.keras.Sequential([tf.keras.layers.Dense(10, activation="softmax")])  # 替换成你的模型
optimizer = tf.keras.optimizers.Adam()
base_loss_fn = tf.keras.losses.SparseCategoricalCrossentropy()

epochs = 5
train_dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)  # 替换成你的数据集

# 手动训练循环
for epoch in range(epochs):
    print(f"Epoch {epoch+1}/{epochs}", file=sys.stderr)
    for batch_idx, (x_batch, y_batch) in enumerate(train_dataset):
        with tf.GradientTape() as tape:
            # 前向传播获取预测结果
            y_pred = model(x_batch, training=True)
            # 计算原始损失
            base_loss = base_loss_fn(y_batch, y_pred)
            # 执行额外计算（示例：获取第一层输出的均值）
            extra_term = tf.reduce_mean(model.layers[0].output)
            # 修改损失值
            modified_loss = base_loss + extra_term
        
        # 反向传播更新模型权重
        gradients = tape.gradient(modified_loss, model.trainable_variables)
        optimizer.apply_gradients(zip(gradients, model.trainable_variables))
        
        # 输出日志（和你原需求对应）
        logs = {"t_loss": modified_loss.numpy().mean()}
        print(logs, file=sys.stderr)
        print(model, file=sys.stderr)

补充说明 #

你原来的回调函数存在时机问题：on_train_batch_begin是在batch训练开始前触发，此时还未计算损失，logs里不会有t_loss。如果只是想查看损失，应该用on_train_batch_end回调，但即使在这个时机修改logs里的值，也不会影响实际训练。

内容的提问来源于stack exchange，提问作者ailauli69