当计算y_true和y_pred之间的损失时，keras损失函数将维数降低一。例如，当在批处理大小为8的64x64灰度图像对上训练网络时，y_true和y_pred的形状将是(8，64，64(。keras损失函数将产生形状为(8，64(的损失张量，在最后一个维度上进行平均。我不明白为什么这是必要的，它所做的只是平均图像各行的损失。难道网络不需要为每个输出值单独计算损失(从而保持形状(吗？据我所知，反向传播会查看与目标相比每个输出值的单独损失，然后相应地更新以前的权重。它怎么能做到这一点，只知道每一行的平均损失，而不是每个值的单独损失？下面是一个代码片段，显示了我所描述的行为：
y_true = K.random_uniform([8,64,64])
y_pred = K.random_uniform([8,64,64])
c= mean_absolute_error(y_true,y_pred)
print(K.eval(tf.shape(c))) # (8,64)
我也有同样的想法。我相信，Keras假设您的数据具有以下维度：[batch，W，H，n_classes]，这意味着在轴上取平均值=-1意味着在所有不同类别上取平均损失。然而，在您的情况下，您没有该维度，因为您可能在灰度图像中进行二进制分类。因此，它最终会对行/列的损失进行平均。有趣的是，这个模型仍然可以像这样训练，甚至提高性能，这让我相信，处于类似情况的人往往只是训练他们的模型而没有注意到。
您可以通过在数据中添加一个伪轴来避免这种情况。
我就是这样到达那里的：
发件人：https://keras.io/api/losses/
"(注：N-1：所有损失函数减少1维，通常轴=-1。("此外："；loss类实例具有一个reduction构造函数参数，该参数默认为"；sum_over_batch_size"；(即平均值(。允许值是"；sum_over_batch_size"sum"；，以及"；none"：•"；sum_over_batch_size"；意味着损失实例将返回批次中每个样本损失的平均值。•"；sum"；意味着损失实例将返回批次中每个样本损失的总和。•"；none"；意味着损失实例将返回每个样本损失的完整数组">
发件人https://www.tensorflow.org/api_docs/python/tf/keras/losses/Reduction
"注意：使用Reduction.NONE时，请验证输出的形状。由损失类包装的内置损失函数会减少一个维度(轴=-1，或轴，如果损失函数指定(。Reduction.NONE只是意味着类包装器没有应用额外的减少。对于示例输入形状为[批，W，H，n_classes]的分类损失，n_classies维度被减小。对于逐点损耗，必须包含一个伪轴，以便将[批，W，H，1]减少为[批，W，H]。如果没有伪轴[批次，W，H]，则会错误地减少为[批次，W]">