TensorFlow中如何按指定公式组合多个加权损失函数

报错原因 #

针对输出层为单个sigmoid激活神经元（输出值范围0~1）的CNN模型计算组合损失时，直接对MeanAbsoluteError、MeanSquaredError的类实例做加法、数乘操作会抛出如下类型错误：

TypeError: unsupported operand type(s) for +: 'MeanAbsoluteError' and 'MeanSquaredError'

本质原因是Keras内置的损失类实例本身不支持直接算术运算，只有传入真实标签、模型预测值调用实例后，返回的损失计算结果为张量类型，才支持加权、求和等算术操作。

实现代码 #

自定义符合Keras损失接口规范的函数即可，函数入参固定为y_true（真实标签）、y_pred（模型预测输出），在函数内部完成单损失计算、加权求和，返回最终组合损失：

import tensorflow as tf

# 配置损失权重
l_1 = 0.6
l_2 = 0.4

def weighted_combined_loss(y_true, y_pred):
    mae = tf.keras.losses.MeanAbsoluteError()(y_true, y_pred)
    mse = tf.keras.losses.MeanSquaredError()(y_true, y_pred)
    return l_1 * mae + l_2 * mse

模型编译 #

自定义损失函数可直接传入model.compile()的loss参数，和内置损失的使用方式完全一致：

model.compile(
    optimizer=opt, 
    loss=weighted_combined_loss,
    metrics = ['accuracy', sensitivity, specificity, tf.keras.metrics.RootMeanSquaredError(name='rmse')]
)

注意事项 #

• 模型输出经过sigmoid激活后值域为0_{1，需确保训练所用真实标签也缩放到0}1区间，避免损失计算出现量级偏差。
• 若需要调整损失归约逻辑（如按样本求和、按批次平均），可在实例化损失类时传入reduction参数配置。

内容的提问来源于stack exchange，提问作者Jimut123