创建一个自定义层来保存可训练参数。该层不会在调用中返回输入，但是我们将使用输入来遵守如何创建层。
class TrainableLossLayer(Layer): def __init__(self, a_initializer, **kwargs): super(TrainableLossLayer, self).__init__(**kwargs) self.a_initializer = keras.initializers.get(a_initializer) #method where weights are defined def build(self, input_shape): self.kernel = self.add_weight(name='kernel_a', shape=(1,), initializer=self.a_initializer, trainable=True) self.built=True #method to define the layers operation (only return the weights) def call(self, inputs): return self.kernel #output shape def compute_output_shape(self, input_shape): return (1,)
使用模型中的图层获取
a任何输入（这与顺序模型不兼容）：
a = TrainableLossLayer(a_init, name="somename")(anyInput)
现在，您可以尝试以某种丑陋的方式定义损失：
def customLoss(yTrue,yPred): return (K.log(yTrue) - K.log(yPred))**2+a*yPred
如果这可行，那就准备好了。
您也可以尝试使用更复杂的模型（如果您不希望
a像这样在损失中使用跳过层，这可能会导致模型保存/加载问题）
在这种情况下，您将需要将其
y_train作为输入而不是输出：
y_true_inputs = Input(...)
您的损失函数将进入一个
Lambda正确接受所有参数的层：
def lambdaLoss(x): yTrue, yPred, alpha = x return (K.log(yTrue) - K.log(yPred))**2+alpha*yPredloss = Lambda(lambdaLoss)([y_true_inputs, original_model_outputs, a])
您的模型将输出以下损失：
model = Model([original_model_inputs, y_true_inputs], loss)
您将具有虚拟损失功能：
def dummyLoss(true, pred): return predmodel.compile(loss = dummyLoss, ...)
并训练为：
model.fit([x_train, y_train], anything_maybe_None_or_np_zeros ,....)
