损失函数

损失函数旨在计算模型在训练期间应尽量减小的量。

可用损失函数

请注意，所有损失函数都可以通过类句柄和函数句柄获得。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)），并且在单独使用时默认执行归约（详见下文）。

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

基础损失函数 API

[源]

`Loss` 类

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

损失函数基类。

这是用于创建新的自定义损失函数时应继承的类。

参数

reduction: 应用于损失函数的归约类型。在几乎所有情况下，这都应为 "sum_over_batch_size"。支持的选项包括 "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: 损失函数实例的可选名称。
dtype: 损失函数计算的数据类型。默认为 None，这意味着使用 keras.backend.floatx()。keras.backend.floatx() 除非通过 keras.backend.set_floatx() 设置为其他值，否则为 "float32"。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。

子类实现示例

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()` 中使用损失函数

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）。所有损失函数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)

损失函数的独立使用

损失函数是一个可调用对象，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 作为按样本损失的归约加权系数。如果提供标量，则损失函数简单地按给定值缩放。如果 sample_weight 是大小为 [batch_size] 的张量，则批次中每个样本的总损失将按 sample_weight 向量中对应的元素重新缩放。如果 sample_weight 的形状为 (batch_size, d0, ... dN-1)（或可以广播到此形状），则 y_pred 的每个损失元素都将按 sample_weight 的对应值缩放。（关于 dN-1 的说明：所有损失函数都会沿一个维度（通常是 axis=-1）进行归约。）

默认情况下，损失函数会为批次维度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，损失类实例具有一个 reduction 构造函数参数，该参数默认为 "sum_over_batch_size"（即平均）。允许的值为 "sum_over_batch_size"、"sum" 和 "none"

"sum_over_batch_size" 意味着损失实例将返回批次中按样本损失的平均值。
"sum" 意味着损失实例将返回批次中按样本损失的总和。
"none" 意味着损失实例将返回按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，这是函数式损失函数（例如 keras.losses.mean_squared_error）和默认损失类实例（例如 keras.losses.MeanSquaredError）之间的重要区别：函数版本不执行归约，但类实例默认执行归约。

>>> 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>

使用 fit() 时，此差异无关紧要，因为归约由框架处理。

以下是如何在简单训练循环中使用损失类实例

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))

创建自定义损失函数

任何具有 loss_fn(y_true, y_pred) 签名并返回损失数组（输入批次中每个样本一个损失）的可调用对象都可以作为损失函数传递给 compile()。请注意，任何此类损失函数都自动支持样本加权。

以下是一个简单示例

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并非创建损失的唯一方式。

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想要最小化的标量值（例如正则化损失）。您可以使用 add_loss() 层方法来跟踪此类损失项。

以下是一个层的示例，它基于输入的 L2 范数添加一个稀疏性正则化损失

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 列表属性中检索到（它们会从每个底层递归检索）

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播开始时由顶层清除 - 它们不会累积。因此 layer.losses 始终只包含上一次前向传播期间创建的损失。在编写训练循环时，您通常会在计算梯度之前通过对这些损失求和来使用它们。

# 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.

使用 model.fit() 时，此类损失项会自动处理。

编写自定义训练循环时，应手动从 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))