如何将Keras模型的categorical_crossentropy损失替换为加权自定义损失？

因为训练集、测试集对应的returns权重向量不同，不能用固定权重的闭包损失方案，因此我们改用Keras Functional API构建多输入模型，将returns作为额外输入传入，自动匹配训练/验证阶段的不同权重。

完整修改后代码 #

import tensorflow as tf
from tensorflow.keras.layers import Input, Dense, Dropout
from tensorflow.keras.models import Model

# 1. 定义输入层
input_features = Input(shape=(X_train.shape[1],), name='feature_input')
input_returns = Input(shape=(1,), name='returns_input') # 若returns是多维权重可对应调整shape

# 2. 原有网络结构保留不变
x = Dense(2, activation='relu')(input_features)
x = Dropout(0.1)(x)
x = Dense(2, activation='relu')(x)
output_pred = Dense(3, activation='softmax', name='pred_output')(x)

# 3. 定义自定义加权损失
def get_weighted_abs_loss(returns):
    def loss(y_true, y_pred):
        abs_diff = tf.abs(y_true - y_pred)
        weighted_diff = abs_diff * returns
        return tf.reduce_sum(weighted_diff)
    return loss

# 4. 构建并编译模型
model = Model(inputs=[input_features, input_returns], outputs=output_pred)
callback = tf.keras.callbacks.EarlyStopping(monitor='loss', patience=50)
model.compile(
    loss=get_weighted_abs_loss(input_returns),
    optimizer='RMSprop',
    metrics=['AUC']
)

# 5. 训练模型，传入对应训练/测试集的returns向量
epochs=1000
history = model.fit(
    [X_train, returns_train], # returns_train为训练集对应权重向量
    y_train,
    epochs=epochs,
    batch_size=32,
    validation_data=([X_test, returns_test], y_test), # returns_test为测试集对应权重向量
    callbacks=[callback]
)

# 可选：定义仅需特征输入的推理模型，预测时无需传入returns
infer_model = Model(inputs=input_features, outputs=output_pred)
# 预测调用示例：y_pred = infer_model.predict(X_test)

注意事项 #

• 提前准备好returns_train和returns_test，若每个样本对应1个权重，需调整shape为(样本数, 1)适配广播规则，可通过returns_train = returns_train.reshape(-1, 1)实现
• 若需要同时保留原始交叉熵损失和新的加权损失，可在compile时传入损失列表，按需求设置权重即可
• 训练完成后直接用infer_model做预测，无需额外传入returns参数，使用逻辑和原Sequential模型一致

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