>我有一个神经网络，有两个损失函数，一个是 2 个类的二进制交叉熵，另一个是回归。现在，我希望仅针对class_2评估回归损失，并为class_1返回 0，因为回归特征对class_1毫无意义。
如何在 Keras 中实现这样的算法？
仅在class_1数据上单独训练它不起作用，因为我得到了 nan 损失。有更优雅的方法可以将数据集的一半损失定义为 0，另一半的损失定义为mean_square_loss？
这是一个在多任务学习中很重要的问题，在多任务学习中，您有多个损失函数，中间有一个共享的神经网络结构，以及可能并非对所有损失函数都有效的输入。
您可以传入一个二进制掩码，该掩码对于每个损失函数1或0，方式与传入标签的方式相同。然后将每个损失乘以其相应的掩码。1x的导数刚好是dx，0x的导数是0。你最终在适当的损失函数中将梯度归零。几乎所有的优化器都是加性优化器，这意味着您正在对梯度求和，添加零是空运算。您的最终损失函数应该是所有其他损失的总和。
我对Keras了解不多。另一种解决方案是将损失函数更改为仅使用标签：L = cross_entropy * (label / (label + 1e-6))。该项将几乎为 0 和几乎 1。至少对于政府工作和神经网络来说足够接近。这是我第一次实际使用的，然后我意识到它就像乘以掩码值数组一样简单。
这个问题的另一个解决方案是让我们tf.where和tf.gather_nd只选择要比较的标签和输出的子集，然后将该子集传递给适当的损失函数。我实际上已经切换到使用这种方法而不是乘以掩码。但两者都有效。