我正在使用Keras/TF和以下模型：
conv = Conv2D(4, 3, activation = None, use_bias=True)(inputs)
conv = Conv2D(2, 1, activation = None, use_bias=True)(conv)
model = Model(input = inputs, output = conv)
model.compile(optimizer=Adam(lr=1e-4), loss=keras.losses.mean_absolute_error)
在model.fit中，我得到一个错误：
ValueError：检查目标时出错：应为conv2d_2形状(300320，2)，但得到具有形状(3003201)的阵列
这是预期的，因为目标是单通道图像，而模型中的最后一层有2个通道。
我不明白的是，当我使用自定义丢失功能时，为什么：
def my_loss2(y_true, y_pred):
return keras.losses.mean_absolute_error(y_true, y_pred)
并编译模型：
model.compile(optimizer = Adam(lr=1e-4), loss=my_loss2)
它确实工作(或者至少没有给出错误)。是否正在进行任何类型的自动转换/截断？
我使用的是TF(CPU)1.12.0和Keras 2.2.2
真诚地，Elad
为什么内置损失和自定义损失的行为不同
事实证明，Keras正在为loss模块中定义的内置函数执行前期形状检查。
在fit调用的Model._standardize_user_data的源代码中，我发现了以下注释：
# If `loss_fn` is not a function (e.g. callable class) # or if it not in the `losses` module, then # it is a user-defined loss and we make no assumptions # about it.
在该注释周围的代码中，您可以看到，实际上，根据损失函数的类型(内置或自定义)，输出形状要么传递给standardize_input_data的内部调用，要么不传递。如果输出形状被传递，standardize_input_data将引发您得到的错误消息。
我认为这种行为是有道理的：如果不知道损失函数的实现，你就不可能知道它的形状要求。有人可能会发明一些需要不同形状的损失函数。另一方面，文件明确表示，损失函数的参数必须具有相同的形状：
y_true:true标签。TensorFlow/Theano张量。
y_pred：预测。张量流/与y_true形状相同的雷诺张量。
所以我觉得这有点不一致。。。
为什么您的自定义损失函数适用于不兼容的形状
如果提供自定义损失，即使形状不完全匹配，它也可能仍然有效。在你的情况下，只有最后一个维度不同，我很确定广播就是正在发生的事情。目标的最后一个维度将被复制。
在许多情况下，广播是非常有用的。然而，在这里，它可能不是，因为它隐藏了一个逻辑错误。