我的损失自定义函数是否如我所想的那样？

Question

我有一个带有自定义损失函数的Keras模型(如下所示)。预期行为是，当基本事实的第一个数字(第4阶)为正时，网络应尝试近似所有8个参数。否则，它应该只尝试近似第一个参数(并只为其他参数输出任何内容)。换句话说，当true集的第一个参数为0或负数时，其余参数应该无关紧要。我做得对吗？我可以使用像这样的tf切片吗？

我注意到参数1-7普遍比我预期的更接近于0。就像函数在任何地方都在做MSE。

def custom_loss(y_true, y_pred):
    truthiness = tf.greater(y_true[:, :, :, 0], tf.constant(0.0))

    loss = tf.where(
        truthiness,
        tf.keras.losses.MeanSquaredError()(y_true[:, :, :, 0:8], y_pred[:, :, :, 0:8]),
        tf.keras.losses.MeanSquaredError()(y_true[:, :, :, 0], y_pred[:, :, :, 0]),
    )

    return loss

Answer 1

答案似乎是Keras.losses.MeanSquaredError中的一些意想不到的行为(至少对我来说)。我最终只是在普通的tensorflow中实现了我的损失。

truthiness = tf.cast(tf.greater(y_true[:, :, :, 0], tf.constant(0.0)), dtype=tf.float32)
falsyness = tf.cast(tf.less_equal(y_true[:, :, :, 0], tf.constant(0.0)), dtype=tf.float32)

loss = tf.reduce_sum(tf.square(y_true[:, :, :, 0] - y_pred[:, :, :, 0])) + \
        tf.multiply(
           truthiness,
           tf.reduce_sum(tf.square(y_true[:, :, :, 1:8] - y_pred[:, :, :, 1:8])),
        )

loss_2 = tf.multiply(truthiness, tf.keras.losses.MeanSquaredError()(y_true[:, :, :, 0:8], y_pred[:, :, :, 0:8])) + \
        tf.multiply(falsyness, tf.keras.losses.MeanSquaredError()(y_true[:, :, :, 0], y_pred[:, :, :, 0]))

我期望loss和loss_2是等同的，但它们不是。