eager模式下如何向损失函数传递输入 适配新版TensorFlow

方案1：Keras原生add_loss接口（优先推荐） #

这是官方推荐的标准实现方式，完全不需要修改网络结构、不需要关闭Eager执行，代码改动量极小：

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

input_tensor = Input(shape=(10,))
hidden = Dense(100, activation='relu')(input_tensor)
out = Dense(1, activation='sigmoid')(hidden)
model = Model(input_tensor, out)

# 直接添加和输入相关的额外损失项，Keras会自动追踪张量计算链路
model.add_loss(tf.reduce_mean(input_tensor))

# 编译时仅需传入基础损失函数，额外项会自动累加
model.compile(loss='binary_crossentropy', optimizer='adam')

# 训练逻辑和原有代码完全一致
X = np.random.rand(1000, 10)
y = np.random.rand(1000, 1)
model.train_on_batch(X, y)

该方案核心优势是完全兼容Keras原生的fit、train_on_batch等训练接口，不需要调整原有训练逻辑，适合绝大多数需要引入输入、中间层张量到损失计算的场景。

方案2：自定义训练循环（高灵活性可选） #

如果你的损失逻辑非常复杂，需要在计算损失时做更多自定义操作，可以用自定义训练循环完全控制损失计算流程：

import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model
from tensorflow.keras.optimizers import Adam

# 定义模型
input_tensor = Input(shape=(10,))
hidden = Dense(100, activation='relu')(input_tensor)
out = Dense(1, activation='sigmoid')(hidden)
model = Model(input_tensor, out)

# 定义优化器和损失函数
optimizer = Adam()
loss_fn = tf.keras.losses.BinaryCrossentropy()

# 定义单步训练逻辑
@tf.function
def train_step(x, y_true):
    with tf.GradientTape() as tape:
        y_pred = model(x, training=True)
        # 可以在这里自由组合任何和输入相关的损失项
        base_loss = loss_fn(y_true, y_pred)
        extra_loss = tf.reduce_mean(x)
        total_loss = base_loss + extra_loss
    # 梯度更新
    grads = tape.gradient(total_loss, model.trainable_weights)
    optimizer.apply_gradients(zip(grads, model.trainable_weights))
    return total_loss

# 训练调用
X = np.random.rand(1000, 10)
y = np.random.rand(1000, 1)
loss = train_step(X, y)

该方案没有任何使用限制，所有计算逻辑完全自主可控，适合复杂自定义损失场景。

内容的提问来源于stack exchange，提问作者Mastiff