为何部分损失类实例需定义看似未被使用的属性？以BinaryCrossentropy为例

先看你给出的BinaryCrossentropy实现代码：

@keras_export("keras.losses.BinaryCrossentropy")
class BinaryCrossentropy(LossFunctionWrapper):
    def __init__(
        self,
        from_logits=False,
        label_smoothing=0.0,
        axis=-1,
        reduction=losses_utils.ReductionV2.AUTO,
        name="binary_crossentropy",
    ):
        super().__init__(
            binary_crossentropy,
            name=name,
            reduction=reduction,
            from_logits=from_logits,
            label_smoothing=label_smoothing,
            axis=axis,
        )
        self.from_logits = from_logits

你观察得很对，LossFunctionWrapper确实会把from_logits这类参数存入self._fn_kwargs，供调用时传递给底层的损失计算函数，但单独把这个参数绑定为实例属性，主要有这几个实际意义：

• 方便外部直接读取配置：很多场景下，不管是用户自己的代码还是Keras框架内部的组件，都需要知道这个损失实例是否基于logits计算。比如模型输出层要不要加Sigmoid激活，完全取决于损失的from_logits配置——如果损失设了True，输出层就不用加激活；反之则需要。把from_logits作为公开属性暴露出来，外部代码可以直接通过loss_instance.from_logits获取这个配置，不用去碰_fn_kwargs这种下划线开头的内部属性（这类属性属于实现细节，官方不推荐直接访问）。

• 保持API风格统一：Keras里类似的损失类（比如CategoricalCrossentropy）都把from_logits作为公开实例属性，这样所有同类型损失类的API风格一致，用户不用去记不同类的参数存储方式，用起来更直观。

• 兼容序列化与旧逻辑：在模型保存、序列化的时候，需要准确记录损失实例的配置参数。把from_logits单独作为属性，序列化逻辑可以直接读取这个值，不用从_fn_kwargs里解析；另外，Keras迭代过程中有些旧代码可能直接依赖这个属性，保留它能避免兼容性问题。

BinaryFocalCrossentropy的情况和这个完全一致，都是为了让关键配置可直接访问、保持API统一，同时兼容内部和外部的依赖逻辑。

内容的提问来源于stack exchange，提问作者learner