如何在Keras中定义与张量同形状的变量以自定义损失函数？

我来帮你解决这个问题，先梳理下你代码里的几个问题，再给你一个可行的实现方案：

你的代码里需要调整的点 #

1. Keras张量不能直接用NumPy方法处理形状：bce_loss.size()这种写法不对，Keras张量是计算图中的节点，得用Keras后端的函数来获取形状，不能直接调用NumPy的方法。
2. 可训练变量的创建时机错误：如果在损失函数内部每次计算都创建W，会导致每次都重新初始化，而且这个变量不会被加入模型的可训练参数列表，根本不会被优化器更新。
3. 动态batch维度的处理：你的bce_loss形状是(?, 3)，其中?是动态变化的batch大小，没法预先创建固定batch大小的变量——其实用Keras的广播机制就能解决，不用非要让W和bce_loss完全同形状。

正确的实现方案 #

我们把可训练变量W定义在损失函数的外层，这样它只会被创建一次，并且会被纳入模型的可训练参数。利用广播机制，让形状为(3,)的W自动匹配(?, 3)的bce_loss，实现元素级相乘：

import keras.backend as K
from keras.models import Model
from keras.layers import Input, Dense
import numpy as np

def custom_weighted_bce():
    # 初始化W：形状对应输出的特征维度（这里是3），用正态分布初始化
    W = K.variable(np.random.normal(0, 0.05, size=(3,)), name="loss_weight_W")
    
    def loss(y_true, y_pred):
        # 计算基础二元交叉熵
        bce_loss = K.binary_crossentropy(y_true, y_pred)
        # W会自动广播到bce_loss的形状(?, 3)，实现每个位置的加权
        weighted_bce = W * bce_loss
        # 对每个样本的3个输出维度取平均
        return K.mean(weighted_bce, axis=-1)
    
    return loss

如何使用这个损失函数 #

你可以像普通损失函数一样在模型编译时调用：

# 构建示例模型
input_layer = Input(shape=(10,))
output_layer = Dense(3, activation="sigmoid")(input_layer)
model = Model(inputs=input_layer, outputs=output_layer)

# 编译模型时传入自定义损失
model.compile(optimizer="adam", loss=custom_weighted_bce())

# 测试训练流程
x_train = np.random.random((100, 10))
y_train = np.random.randint(2, size=(100, 3))
model.fit(x_train, y_train, epochs=2, batch_size=32)

额外说明 #

如果你确实需要W和bce_loss的形状完全一致（包括动态的batch维度），这种需求其实不太合理——因为batch大小是动态变化的，没法预先创建固定batch大小的可训练变量。如果是要给每个样本单独设置权重，那应该把权重作为模型的输入传入，而不是作为可训练变量。

内容的提问来源于stack exchange，提问作者rosefun