Keras自定义损失函数实现：自编码器仅基于指定神经元计算损失

核心实现思路 #

你之前直接修改张量切片报错是因为TensorFlow的计算图张量为不可变对象，不支持直接对某一段切片赋值，也不需要将张量转为numpy数组，直接使用Keras后端的张量切片操作即可实现仅前200列参与损失计算，有两种常用实现方式：

方案1：直接切片计算（推荐） #

直接截取y_true和y_pred的前200列计算损失，完全忽略后300列的数值，性能最优：

def vae_loss(y_true, y_pred):
    # 仅取前200列计算均方误差
    reconstruction_loss = K.mean(K.square(y_true[:, :200] - y_pred[:, :200]))
    return reconstruction_loss

方案2：后300列置0计算（符合你最初的思路） #

如果需要保留输出维度一致，将后300列赋值为0后再计算损失：

def vae_loss(y_true, y_pred):
    # 前200列保留原值，后300列置0
    y_true_masked = K.concatenate([y_true[:, :200], K.zeros_like(y_true[:, 200:])], axis=-1)
    y_pred_masked = K.concatenate([y_pred[:, :200], K.zeros_like(y_pred[:, 200:])], axis=-1)
    reconstruction_loss = K.mean(K.square(y_true_masked - y_pred_masked))
    return reconstruction_loss

原有代码的已知问题修正 #

你提供的示例代码存在几处语法错误，修复后可正常运行：

• 导入numpy时未指定别名np，需修改为import numpy as np
• 编码器部分变量名错误：此前定义的隐藏层变量为x，后续误写为z，且Lambda层不支持units参数，应该改为全连接层：

# 修正后的编码器部分
encoder_input = keras.Input(shape=(data.shape[1],), name="encoder_input")
x = layers.Dense(units=128, activation='relu')(encoder_input)
encoder_output = layers.Dense(units=latent_dim, name="encoder_output")(x)
encoder = Model(encoder_input, encoder_output, name='encoder_model')

• 输入层的shape参数需要加逗号表示元组，修改为shape=(data.shape[1],)

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