一点见解，不断学习，欢迎指正
1、自定义loss层作为网络一层加进model，同时该loss的输出作为网络优化的目标函数
代码语言：javascript复制from keras.models import Model
import keras.layers as KL
import keras.backend as K
import numpy as np
from keras.utils.vis_utils import plot_model
x_train=np.random.normal(1,1,(100,784))
x_in = KL.Input(shape=(784,))
x = x_in
x = KL.Dense(100, activation='relu')(x)
x = KL.Dense(784, activation='sigmoid')(x)
def custom_loss1(y_true,y_pred):
return K.mean(K.abs(y_true-y_pred))
loss1=KL.Lambda(lambda x:custom_loss1(*x),name='loss1')([x,x_in])
model = Model(x_in, [loss1])
model.get_layer('loss1').output#取出loss
model.add_loss(loss1)#作为网络优化的目标函数
model.compile(optimizer='adam')
plot_model(model,to_file='model.png',show_shapes=True)
#
model.fit(x_train, None, epochs=5)2、自定义loss,作为网络优化的目标函数
代码语言：javascript复制x_in = KL.Input(shape=(784,))
x = x_in
x = KL.Dense(100, activation='relu')(x)
x = KL.Dense(784, activation='sigmoid')(x)
model = Model(x_in, x)
loss = K.mean((x - x_in)**2)
model.add_loss(loss)#只是作为loss优化目标函数
model.compile(optimizer='adam')
plot_model(model,to_file='model.png',show_shapes=True)
model.fit(x_train, None, epochs=5)补充知识：keras load_weights fine-tune
分享一个小技巧，就是在构建网络模型的时候，不要怕麻烦，给每一层都定义一个名字，这样在复用之前的参数权重的时候，除了官网给的先加载权重，再冻结权重之外，你可以通过简单的修改层的名字来达到加载之前训练的权重的目的，假设权重文件保存为model_pretrain.h5 ,重新使用的时候，我把想要复用的层的名字设置成一样的，然后
model.load_weights(‘model_pretrain.h5’, by_name=True)
以上这篇keras 自定义loss model.add_loss的使用详解就是小编分享给大家的全部内容了，希望能给大家一个参考。
