Keras自定义损失函数结合sample_weight使用的相关疑问

结论 #

你当前的实现方式完全可以直接通过model.fit的sample_weight参数传入样本权重，不需要修改损失类结构，也不需要额外将权重作为网络输入传入。

原理说明 #

• Keras的样本加权逻辑是在Loss基类的__call__方法中自动处理的，你自定义损失时实现的call方法只需要负责输出每个样本的独立损失即可，不需要主动接收和处理sample_weight参数。
• 官方文档说明的「返回对应批次每个样本损失数组的损失函数自动支持样本加权」完全适用于你的场景：只要call方法返回的张量形状为(batch_size,)或者可被压缩为该形状的(batch_size, 1)，框架就会自动将每个样本的损失和对应权重相乘，再完成后续的损失聚合操作。
• 你之前看到的「将权重作为网络输入传入」的方案，仅适用于需要在损失计算逻辑内部对权重做特殊自定义处理的场景，普通的样本加权需求用内置的sample_weight机制即可满足。

代码校验说明 #

你当前实现的NegLogLikMixedGaussian损失类完全符合要求：

• call方法返回的-tf.reduce_mean(log_likelihood, axis=-1)形状为(batch_size,)，满足单样本损失的输出要求。
• 你写的model.compile和model.fit调用方式都是正确的，直接传入sample_weight参数即可生效。

测试注意事项 #

你测试时使用的np.ones(len(y_train)) / len(dh.y_train_scaled)权重，和无权重的训练梯度方向完全一致，仅损失的绝对数值会缩小为原来的1/样本数，如果需要损失数值和无权重场景完全对齐，测试时将权重设置为全1即可。

内容的提问来源于stack exchange，提问作者deckard