如何使用 KERAS 获取 DNN 最后一层的值？

Question

我刚刚开始使用 Keras 训练一个简单的 DNN，并且正在努力设置自定义损失函数，以下是模型的代码：

X_train = train_dataframe.to_numpy()[:, 0:4]

Y_train = train_dataframe.to_numpy()[:, 4]

model = Sequential()

model.add(Dense(1000, input_shape=(4,), activation='relu'))

model.add(Dense(1000, activation='relu'))

model.add(Dense(Y_train.shape[0], activation='linear', activity_regularizer=regularizers.l1(0.02)))

def custom_loss(y_true, y_pred): 

    mse_loss = tf.keras.losses.mean_squared_error(y_true,np.ones((450, 4)) * y_pred)

                                              

    return mse_loss + y_pred

model.compile("adam", custom_loss(X_train, model.layers[2].output), metrics=["accuracy"])

model.fit(X_train, Y_train, epochs=5, batch_size=1)

我将简要解释一下。我得到了一个包含 450 个样本的训练集，每个样本有 4 个特征作为输入，以及一个与训练集配对的 (450,1) 数值向量。

现在，我想要获得的是一种 LASSO 回归，方法是在最后一层应用活动正则化器，然后构建自定义损失函数，其中我将 MSE 放在 y_true （这是输入） y_pred 之间，y_pred 不是输出，而是输出层值与 (450,4) 矩阵的简单乘法（因为简单性用 1 填充）。

我的问题是，当我运行脚本时出现此错误：

ValueError: Dimensions must be equal, but are 4 and 450 for 'mul' (op: 'Mul') with input shapes: 

[450,4], [?,450].

也许是因为我没有很好地提取输出层的值model.layers[2].output。那么我怎样才能使用 Keras 正确地做到这一点呢？

Answer 1

我认为你犯了两个严重错误：不要传递 .compile 中丢失的参数 keras 足够聪明： model.compile(loss=custom_loss, optimizer='adam', metrics=["accuracy"])如果您想对最后一层应用一些乘法，然后为此创建一个自定义层，请不要在损失函数内执行此操作；损失函数的作用只是找出预测值与真实值的差距