在训练集上训练神经网络时，会在神经网络的输出中计算学习效率的两个关键参数-误差和预测准确性。 为此，使用损失函数和精度度量。 这些度量因任务（分类或图像分割，对象检测，回归）而异。 在Keras，我们可以为特定任务定义自己的损失函数和准确性指标。 此类自定义函数将在本文中讨论。 谁在乎，请在猫下。
Keras中的自定义损失函数
例如，假设我们需要实现平均平均误差（MAE）误差函数。 定制MAE损失功能可以按以下方式实现：
from keras import backend as K def mae(y_true, y_pred): true_value = K.sum(y_true * K.arange(0, 100, dtype="float32"), axis=-1) pred_value = K.sum(y_pred * K.arange(0, 100, dtype="float32"), axis=-1) mae = K.mean(K.abs(true_value - pred_value)) return mae
在这里，我们使用Keras中定义的sum，arange，mean和abs函数。
以同样的方式，您可以定义精度指标。 例如，定义earth_movers_distance指标以比较两个直方图：
from keras import backend as K def earth_movers_distance(y_true, y_pred): cdf_true = K.cumsum(y_true, axis=-1) cdf_pred = K.cumsum(y_pred, axis=-1) emd = K.sqrt(K.mean(K.square(cdf_true - cdf_pred), axis=-1)) return K.mean(emd)
要使用我们的mae和earth_movers_distance指标，我们从一个单独的模块中导入相应的函数，并在编译模型时将它们添加到loss和metrics参数中：
from utils.metrics import mae, earth_movers_distance loss = earth_movers_distance model.compile(optimizer=optimizer, loss=loss, metrics=[mae, "accuracy"])
使用自定义损失功能加载Keras模型
在Keras中训练模型时，可以将模型权重保存在h5文件中，以便在预测阶段随后加载训练后的模型。 如果我们使用自定义损失函数和质量指标，则可能会遇到问题。 当我们使用load_weights方法从h5文件中为模型加载训练后的权重时，会出现以下错误：
ValueError: Unknown loss function:earth_movers_distance
这是Keras中的一个著名错误（
他们在github的官方存储库中对此进行了描述）。
要解决该问题，您需要向Keras添加我们的自定义损失函数和质量指标：
from keras.utils.generic_utils import get_custom_objects get_custom_objects().update({"earth_movers_distance": earth_movers_distance, "age_mae": age_mae})
现在就这些了。 祝大家好运，很快再见！