损失函数

损失函数的作用是计算模型在训练过程中应试图最小化的量。

可用损失

请注意，所有损失都可通过类句柄和函数句柄访问。类句柄允许您将配置参数传递给构造函数（例如，loss_fn = CategoricalCrossentropy(from_logits=True)），并且在独立使用时默认执行归约（见下文详情）。

概率损失函数

回归损失函数

用于“最大间隔”分类的 Hinge 损失函数

基础损失 API

[源代码]

`Loss` 类

keras.losses.Loss(name=None, reduction="sum_over_batch_size", dtype=None)

损失基类。

这是要继承以创建新自定义损失的类。

参数

reduction：要应用于损失的归约类型。几乎所有情况下，这都应该是 "sum_over_batch_size"。支持的选项有 "sum"、"sum_over_batch_size"、"mean"、"mean_with_sample_weight" 或 None。"sum" 对损失求和，"sum_over_batch_size" 和 "mean" 对损失求和并除以样本大小，而 "mean_with_sample_weight" 对损失求和并除以样本权重的总和。"none" 和 None 不执行聚合。默认为 "sum_over_batch_size"。
name: 损失实例的可选名称。
dtype：损失计算的数据类型。默认为 None，这意味着使用 keras.backend.floatx()。keras.backend.floatx() 是 "float32"，除非将其设置为不同值（通过 keras.backend.set_floatx()）。如果提供了 keras.DTypePolicy，则将使用 compute_dtype。

由子类实现

call()：包含使用 y_true、y_pred 计算损失的逻辑。

示例子类实现

class MeanSquaredError(Loss):
    def call(self, y_true, y_pred):
        return ops.mean(ops.square(y_pred - y_true), axis=-1)

在 `compile()` 和 `fit()` 中使用损失

损失函数是编译 Keras 模型所需的两个参数之一

import keras
from keras import layers

model = keras.Sequential()
model.add(layers.Dense(64, kernel_initializer='uniform', input_shape=(10,)))
model.add(layers.Activation('softmax'))

loss_fn = keras.losses.SparseCategoricalCrossentropy()
model.compile(loss=loss_fn, optimizer='adam')

所有内置损失函数也可以通过其字符串标识符传递

# pass optimizer by name: default parameters will be used
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam')

损失函数通常通过实例化损失类来创建（例如，keras.losses.SparseCategoricalCrossentropy）。所有损失也作为函数句柄提供（例如，keras.losses.sparse_categorical_crossentropy）。

使用类可以在实例化时传递配置参数，例如：

loss_fn = keras.losses.SparseCategoricalCrossentropy(from_logits=True)

独立使用损失

损失是一个可调用对象，其参数为 loss_fn(y_true, y_pred, sample_weight=None)

y_true：真实标签值，形状为 (batch_size, d0, ... dN)。对于稀疏损失函数，例如稀疏分类交叉熵，形状应为 (batch_size, d0, ... dN-1)。
y_pred：预测值，形状为 (batch_size, d0, .. dN)。
sample_weight：可选的 sample_weight 作为归约加权系数，用于每个样本的损失。如果提供标量，则损失仅按给定值缩放。如果 sample_weight 是一个大小为 [batch_size] 的张量，则批次中每个样本的总损失将通过 sample_weight 向量中的相应元素进行重缩放。如果 sample_weight 的形状为 (batch_size, d0, ... dN-1)（或可广播到此形状），则 y_pred 的每个损失元素将通过 sample_weight 的相应值进行缩放。（关于 dN-1 的说明：所有损失函数都会减少一个维度，通常是 axis=-1。）

默认情况下，损失函数为批次中的每个输入样本返回一个标量损失值，例如：

>>> from keras import ops
>>> keras.losses.mean_squared_error(ops.ones((2, 2,)), ops.zeros((2, 2)))
<Array: shape=(2,), dtype=float32, numpy=array([1., 1.], dtype=float32)>

但是，损失类实例具有 reduction 构造函数参数，其默认值为 "sum_over_batch_size"（即平均值）。允许的值为 "sum_over_batch_size"、"sum" 和 "none"。

"sum_over_batch_size" 表示损失实例将返回批次中每个样本损失的平均值。
"sum" 表示损失实例将返回批次中每个样本损失的总和。
"none" 表示损失实例将返回每个样本损失的完整数组。

>>> loss_fn = keras.losses.MeanSquaredError(reduction='sum_over_batch_size')
>>> loss_fn(ops.ones((2, 2,)), ops.zeros((2, 2)))
<Array: shape=(), dtype=float32, numpy=1.0>

>>> loss_fn = keras.losses.MeanSquaredError(reduction='sum')
>>> loss_fn(ops.ones((2, 2,)), ops.zeros((2, 2)))
<Array: shape=(), dtype=float32, numpy=2.0>

>>> loss_fn = keras.losses.MeanSquaredError(reduction='none')
>>> loss_fn(ops.ones((2, 2,)), ops.zeros((2, 2)))
<Array: shape=(2,), dtype=float32, numpy=array([1., 1.], dtype=float32)>

请注意，这对于像 keras.losses.mean_squared_error 这样的损失函数与默认损失类实例（如 keras.losses.MeanSquaredError）之间存在重要区别：函数版本不执行归约，但默认情况下类实例会执行。

>>> loss_fn = keras.losses.mean_squared_error
>>> loss_fn(ops.ones((2, 2,)), ops.zeros((2, 2)))
<Array: shape=(2,), dtype=float32, numpy=array([1., 1.], dtype=float32)>

>>> loss_fn = keras.losses.MeanSquaredError()
>>> loss_fn(ops.ones((2, 2,)), ops.zeros((2, 2)))
<Array: shape=(), dtype=float32, numpy=1.0>

在使用 fit() 时，此区别无关紧要，因为归约由框架处理。

以下是如何将损失类实例用作简单训练循环的一部分

loss_fn = keras.losses.CategoricalCrossentropy(from_logits=True)
optimizer = keras.optimizers.Adam()

# Iterate over the batches of a dataset.
for x, y in dataset:
    with tf.GradientTape() as tape:
        logits = model(x)
        # Compute the loss value for this batch.
        loss_value = loss_fn(y, logits)

    # Update the weights of the model to minimize the loss value.
    gradients = tape.gradient(loss_value, model.trainable_weights)
    optimizer.apply_gradients(zip(gradients, model.trainable_weights))

创建自定义损失

任何签名 loss_fn(y_true, y_pred) 且返回损失数组（输入批次中的每个样本一个）的可调用对象都可以作为损失传递给 compile()。请注意，任何此类损失都自动支持样本加权。

这是一个简单的例子：

from keras import ops

def my_loss_fn(y_true, y_pred):
    squared_difference = ops.square(y_true - y_pred)
    return ops.mean(squared_difference, axis=-1)  # Note the `axis=-1`

model.compile(optimizer='adam', loss=my_loss_fn)

`add_loss()` API

应用于模型输出的损失函数不是创建损失的唯一方法。

在编写自定义层或子类化模型的 call 方法时，您可能需要计算在训练期间要最小化的标量量（例如，正则化损失）。您可以使用 add_loss() 层方法来跟踪这些损失项。

以下是一个层，它基于输入的 L2 范数添加稀疏正则化损失

from keras import ops

class MyActivityRegularizer(keras.layers.Layer):
  """Layer that creates an activity sparsity regularization loss."""

    def __init__(self, rate=1e-2):
        super().__init__()
        self.rate = rate

    def call(self, inputs):
        # We use `add_loss` to create a regularization loss
        # that depends on the inputs.
        self.add_loss(self.rate * ops.sum(ops.square(inputs)))
        return inputs

通过 add_loss 添加的损失值可以在任何 Layer 或 Model 的 .losses 列表属性中检索（它们会从每个底层层递归检索）。

from keras import layers
from keras import ops

class SparseMLP(layers.Layer):
  """Stack of Linear layers with a sparsity regularization loss."""

  def __init__(self, output_dim):
      super().__init__()
      self.dense_1 = layers.Dense(32, activation=ops.relu)
      self.regularization = MyActivityRegularizer(1e-2)
      self.dense_2 = layers.Dense(output_dim)

  def call(self, inputs):
      x = self.dense_1(inputs)
      x = self.regularization(x)
      return self.dense_2(x)


mlp = SparseMLP(1)
y = mlp(ops.ones((10, 10)))

print(mlp.losses)  # List containing one float32 scalar

这些损失会在每个前向传递开始时被顶层清除——它们不会累积。因此，layer.losses 始终只包含在上一个前向传递中创建的损失。在编写训练循环时，您通常会通过将它们相加来计算梯度。

# Losses correspond to the *last* forward pass.
mlp = SparseMLP(1)
mlp(ops.ones((10, 10)))
assert len(mlp.losses) == 1
mlp(ops.ones((10, 10)))
assert len(mlp.losses) == 1  # No accumulation.

在使用 model.fit() 时，这些损失项会自动处理。

在编写自定义训练循环时，您应该手动从 model.losses 中检索这些项，如下所示：

loss_fn = keras.losses.CategoricalCrossentropy(from_logits=True)
optimizer = keras.optimizers.Adam()

# Iterate over the batches of a dataset.
for x, y in dataset:
    with tf.GradientTape() as tape:
        # Forward pass.
        logits = model(x)
        # Loss value for this batch.
        loss_value = loss_fn(y, logits)
        # Add extra loss terms to the loss value.
        loss_value += sum(model.losses)

    # Update the weights of the model to minimize the loss value.
    gradients = tape.gradient(loss_value, model.trainable_weights)
    optimizer.apply_gradients(zip(gradients, model.trainable_weights))