* TypeError:预期的float32传递给op 'Equal‘的参数'y’，得到'str‘类型的'auto’

Question

我正在处理一个keras.io示例，其中构建了一个变分的自动编码器，在这里可以找到：https://keras.io/examples/generative/vae/#variational-autoencoder

，

1. ，我试图用MeanSquaredError-损失替换二进制_交叉熵损失，但是我得到了一个TypeError。我要做什么，才能得到tf.reduce_mean(tf.reduce_sum(keras.losses.binary_crossentropy(data，重建)，axis=(1，2)，reconstruction_loss = tf.reduce_mean(tf.reduce_sum(keras.losses.MeanAbsoluteError(data，重建)，axis=(1，2))

错误消息：

TypeError:预期的float32传递给op 'Equal‘的参数'y’，得到'str‘类型的'auto’。错误:预期的float32，得到‘自动’类型'str‘而不是。

此外，

1. 我不明白为什么使用二进制交叉熵损失，因为我把这个损失理解为分类损失，但在这里，我比较原始数据的值和它的重构，这是一种回归，而不是分类。那么，为什么仍然适合使用crossentropy-loss?
2. When -我运行的代码与交叉熵损失，并看看我的损失，那么KL损失和重建损失不总结为全损。我的意思是，总损失总是不等于KL损失和重建损失之和，尽管在列车步进法中它是正确编程的。那么，为什么会有偏差呢？

Answer 1

关于3.：存在偏差，因为每一次损失都是一批内所有样品的平均损失。如果考虑了每个示例，则reconstruction_loss和KL_loss的总和等于total_loss。

关于1:我认为，tf.reduce_sum命令是不正确的，因为它是所有像素损失的总和。我认为应该是tf.reduce_mean，它比所有像素的平均损失都要大。我认为，为了使reconstruction_loss与KL_loss保持平衡，这是很重要的。这不幸导致了糟糕的训练结果，我将其解释为“后路塌陷”(仍不确定，这是否真的是后路塌陷)。下面的图显示了不良的分布潜在空间。有关进一步解释，请参见：https://keras.io/examples/generative/vae/#variational-autoencoder

[

​

我发现的一个解决办法是以如下方式对损失进行不同的加权：

total_loss = 1000*reconstruction_loss + kl_loss

这导致了正确的结果：

​

​

我对取平均值而非和以及后崩溃的解释是否正确？我的损失有可能加重吗？