在Keras（TensorFlow后端）中创建含批次相关额外参数的自定义损失函数

你的问题核心在于：当前写法里，self.stateValue在模型编译时就被“固定”在损失函数的闭包里了，后续训练时哪怕你更新了self.stateValue，损失函数用的还是编译那一刻的旧值，不会随批次动态变化。下面给你两种靠谱的实现方式：

方式一：使用可更新的TensorFlow变量 #

这种方式适合把stateValues作为全局动态参数，每个批次训练前更新它的值：

1. 先初始化一个非训练型的TF变量来存储当前批次的state值：

# 假设每个样本对应一个state值，初始化为和批次大小匹配的0张量
self.batch_state = tf.Variable(
    initial_value=tf.zeros((self.batch_size,)),
    trainable=False  # 关键：这个变量不需要被优化器更新
)

2. 定义你的损失函数，直接引用这个变量：

def sparse_loss(y_true, y_pred):
    foo = tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=y_pred)
    # 直接用self.batch_state，它会取当前最新的值
    return tf.reduce_mean(foo * self.batch_state)

3. 编译模型时直接使用这个损失函数：

self.model.compile(loss=sparse_loss, optimizer=Adam(lr=self.alpha))

4. 训练时，每个批次前更新self.batch_state的值：

# 假设当前批次的state值是batch_state_vals（numpy数组或TF张量）
self.batch_state.assign(batch_state_vals)
# 然后执行批次训练
self.model.train_on_batch(x_batch, y_batch)

方式二：将stateValues作为模型的额外输入（更符合Keras数据流） #

这种方式把stateValues当作模型的一个输入，训练时和样本数据一起传入，天然支持动态变化：

1. 构建模型时，定义两个输入：主数据输入和state值输入：

# 主输入：你的样本特征
main_input = Input(shape=(your_input_dim,))
# state输入：每个样本对应的state值，shape=(1,)代表单值
state_input = Input(shape=(1,))

# 模型主体结构（按你的需求定义）
x = Dense(64, activation='relu')(main_input)
output = Dense(num_classes, activation='linear')(x)  # 注意：用softmax_cross_entropy_with_logits时，输出不要加softmax

2. 定义带三个参数的损失函数：

def custom_loss(y_true, y_pred, state_vals):
    foo = tf.nn.softmax_cross_entropy_with_logits(labels=y_true, logits=y_pred)
    return tf.reduce_mean(foo * state_vals)

3. 使用add_loss把损失绑定到模型上，编译时不需要指定loss参数：

# 创建模型，包含两个输入
model = Model(inputs=[main_input, state_input], outputs=output)
# 添加损失：注意要把y_true（标签）、输出、state输入都传进去
model.add_loss(custom_loss(y_true=model.targets[0], y_pred=model.output, state_vals=state_input))
# 编译只需要指定优化器
model.compile(optimizer=Adam(lr=self.alpha))

4. 训练时，传入两个输入和标签：

# x_batch是样本特征，batch_state_vals是当前批次的state值（shape=(batch_size,1)）
model.train_on_batch([x_batch, batch_state_vals], y_batch)

两种方式都能解决你的问题，方式二更贴合Keras的数据流设计，方式一更适合state值是全局批次参数的场景。

内容的提问来源于stack exchange，提问作者Sashank