VAE添加自定义分类损失编译时出现类型错误求助

问题原因 #

你触发报错的核心原因是当前Keras/TensorFlow版本不支持混合使用add_loss接口和compile参数传入损失字典的写法，你提前通过add_loss添加的VAE基础损失（重构+KL散度）被框架识别为未调用的函数对象，而非可计算的浮点张量，因此报类型错误。

可行解决方法 #

方案1：统一使用add_loss添加所有损失（推荐，适配性最高） #

把分类损失也合并到总损失中，统一通过add_loss添加，compile阶段不再传入损失参数，修改代码如下：

# 原有计算重构、KL损失的代码不变
reconstruction_loss = binary_crossentropy(inputs, outputs[0])
reconstruction_loss *= original_dim
kl_loss = 1 + z_log_var - K.square(z_mean) - K.exp(z_log_var)
kl_loss = K.sum(kl_loss, axis=-1)
kl_loss *= -0.5
base_vae_loss = K.mean((reconstruction_loss + kl_loss) /100.0)

# 新增计算分类损失
clf_loss = K.mean(categorical_crossentropy(y_train, outputs[1]))

# 合并总损失后统一添加
total_loss = base_vae_loss + clf_loss
vae.add_loss(total_loss)

# 编译阶段仅指定优化器即可
vae.compile(optimizer='adam')

# 训练阶段也不需要传入损失字典，标签已经包含在损失计算逻辑中
svae_history = vae.fit(x_train,
        epochs=epochs,
        batch_size=batch_size)

方案2：统一使用compile传入所有损失 #

取消add_loss的写法，把VAE基础损失封装为自定义损失函数，和分类损失一起通过compile的损失字典传入，修改代码如下：

# 定义VAE基础损失函数
def vae_base_loss(y_true, y_pred):
    reconstruction_loss = binary_crossentropy(y_true, y_pred)
    reconstruction_loss *= original_dim
    kl_loss = 1 + z_log_var - K.square(z_mean) - K.exp(z_log_var)
    kl_loss = K.sum(kl_loss, axis=-1)
    kl_loss *= -0.5
    return K.mean((reconstruction_loss + kl_loss) /100.0)

# 给VAE的两个输出指定明确的名称
outputs = [
    decoder(encoder(inputs)[2], name='recon_output'),
    clf_supervised(encoder(inputs)[2], name='clf_output')
]
vae = Model(inputs, outputs, name='vae_mlp')

# 编译时传入对应输出的损失字典
vae.compile(optimizer='adam', loss={
    'recon_output': vae_base_loss,
    'clf_output': 'categorical_crossentropy'
})

# 训练时传入对应输出的标签
svae_history = vae.fit(x_train, {
    'recon_output': x_train,
    'clf_output': y_train
}, epochs=epochs, batch_size=batch_size)

注意事项 #

两种方案选其一即可，不要混合使用两种加损失的方式，即可解决类型报错问题。

内容的提问来源于stack exchange，提问作者Johnny Tam