分支输出 Keras

我的模型分为 2 个输出层，如下所示：

输入 -> L1 -> L2 -> L3 -> 输出1

输入 -> L1 -> L2 -> L3 -> 输出2

我这样使用它是因为我想要out1 and out2有2个不同的激活函数。因此，我创建了一个模型：

model = Model(inputs=[input_layer], outputs=[out1, out2])

我正在使用以下方式编译它：

model.compile(Adam(lr=1e-2), loss=[loss_fn1, loss_fn2], metrics=[accuracy])

损失函数定义如下：

def loss_fn1(y_true, y_pred):
    #send channel 1 to get bce dice loss
    loss1 = binary_crossentropy(y_true[:, :, :, 0:1], y_pred[:, :, :, 0:1])   
    return loss1

def loss_fn2(y_true, y_pred):    
    #l2 loss for channels 2 and 3
    loss2 = mean_squared_error(y_true[:, :, :, 1:3], y_pred[:, :, :, 1:3])
    return loss2

这个有用吗loss_fn1 on out1 and loss_fn2 on out2张量？因为，这就是我打算做的，但我不确定我的代码是否真的做到了这一点。任何指示都会有所帮助。

我想用loss_fn1 on out1张量和loss_fn2功能于out2 tensor.

EDIT:

loss_fn1 范围内的损失值：[0, 1] - sigmoid 激活。

loss_fn2 范围内的损失值：[0, inf] - 无激活

有没有办法独立减少loss_fn1和loss_fn2，而不使用单独的模型？我担心loss1+loss2最终只会导致loss2的值减少，因为loss1与loss2相比具有较低的值。

是的，你的解释是正确的。来自Keras 文档 https://keras.io/models/model/:

如果模型有多个输出，您可以通过传递字典或损失列表来在每个输出上使用不同的损失。模型将最小化的损失值将是所有单独损失的总和。