Keras自定义loss

在compile方法中选择损失（目标）函数

查询Keras.io可知，在model.compile方法中选择loss的方法有两种：

#1
model.compile(loss='mean_squared_error', optimizer='sgd')

#2
from keras import losses
model.compile(loss=losses.mean_squared_error, optimizer='sgd')

可用的loss种类在这里，大致有十几种可选。

自定义loss

如果这些loss不够用就只能自己设计loss了，查询了一下keras、losses.py发现写法很简单：

def mean_squared_error(y_true, y_pred):
	return K.mean(K.square(y_pred - y_true), axis = -1)

那么也就是说我们只需要按照这个mse的方式定义自己的loss就行了。
但对于模型有多个输出，需要组成一个复杂的多项式loss的情况，keras也给出了解决方法，
看了compile方法之后发现有糖：

def compile(self, optimizer,
                loss=None,
                metrics=None,
                loss_weights=None,
                sample_weight_mode=None,
                weighted_metrics=None,
                target_tensors=None,
                **kwargs):
        """Configures the model for training.
        # Arguments
            optimizer: String (name of optimizer) or optimizer instance.
                See [optimizers](/optimizers).
            loss: String (name of objective function) or objective function or
                `Loss` instance. See [losses](/losses).
                If the model has multiple outputs, you can use a different loss
                on each output by passing a dictionary or a list of losses.
                The loss value that will be minimized by the model
                will then be the sum of all individual losses.
            ......
		"""

可以用字典或者列表对于每一个输出分别选择loss，问题解决！