为Keras层添加正则化时抛出Shapes must be equal rank错误如何解决

你触发报错的核心原因是损失张量维度不匹配：

• Keras自带的kernel_regularizer、activity_regularizer生成的正则损失都是0维标量
• 你自定义的多损失层输出的损失是1维张量：你在build方法中定义的log_vars参数形状为(1,)，最终计算得到的总损失形状也为(1,)
  训练时Keras会自动把所有正则损失和自定义损失通过AddN节点相加，0维标量和1维张量无法直接相加，就触发了秩不匹配的报错。

只需修改自定义损失层的一处参数即可：
将CustomMultiLossLayer类build方法中log_vars的形状从(1,)改为标量形状()，修改后代码如下：

def build(self, input_shape=None):
    self.log_vars = []
    for i in range(self.nb_outputs):
        # 把shape从(1,)改成()，生成标量权重
        self.log_vars += [self.add_weight(name='log_var' + str(i), shape=(),initializer=tf.keras.initializers.Constant(1.), trainable=True)]
    super(CustomMultiLossLayer, self).build(input_shape)

另外你提供的代码中遗漏了import tensorflow as tf的导入语句，运行前需要补上，否则会触发未定义tf的报错。

修改完成后，自定义层输出的损失会变成0维标量，和正则损失形状一致，添加kernel_regularizer、activity_regularizer后训练可正常运行。

内容的提问来源于stack exchange，提问作者user2651805