Keras 中的自定义损失与 softmax 到 one-hot

我有一个输出 Softmax 的模型，我想开发一个自定义损失函数。期望的行为是：

1）Softmax 为 one-hot （通常我会执行 numpy.argmax(softmax_vector) 并将空向量中的索引设置为 1，但这在损失函数中是不允许的）。

2) 将得到的 one-hot 向量乘以我的嵌入矩阵以获得嵌入向量（在我的上下文中：与给定单词相关联的单词向量，其中单词已被标记并分配给索引或 Softmax 的类）输出）。

3) 将此向量与目标进行比较（这可能是正常的 Keras 损失函数）。

我通常知道如何编写自定义损失函数，但不知道如何执行此操作。我找到了这个密切相关的问题 https://stackoverflow.com/questions/50082781/how-to-produce-a-one-hot-output-in-keras（未答复），但我的情况有点不同，因为我想保留我的 softmax 输出。

可以在客户损失函数中混合使用 TensorFlow 和 keras。一旦你可以访问所有 Tensorflow 功能，事情就变得非常容易。我只是给你一个例子来说明如何实现这个功能。

import tensorflow as tf
def custom_loss(target, softmax):
    max_indices = tf.argmax(softmax, -1)

    # Get the embedding matrix. In Tensorflow, this can be directly done
    # with tf.nn.embedding_lookup
    embedding_vectors = tf.nn.embedding_lookup(you_embedding_matrix, max_indices)

    # Do anything you want with normal keras loss function
    loss = some_keras_loss_function(target, embedding_vectors)

    loss = tf.reduce_mean(loss)
    return loss