keras 如何处理多重损失？答案

【问题标题】：How does keras handle multiple losses?keras 如何处理多重损失？
【发布时间】：2018-08-30 10:53:04
【问题描述】：

如果我有类似的东西：

model = Model(inputs = input, outputs = [y1,y2])

l1 = 0.5
l2 = 0.3
model.compile(loss = [loss1,loss2], loss_weights = [l1,l2], ...)

Keras 如何处理损失以获得最终损失？是不是类似：

final_loss = l1*loss1 + l2*loss2

另外，在训练期间是什么意思？ loss2 是否仅用于更新 y2 来自的层的权重？还是用于模型的所有层？

【问题讨论】：

标签： deep-learning keras backpropagation loss-function

【解决方案1】：

来自model documentation：

loss：字符串（目标函数的名称）或目标函数。见损失。如果模型有多个输出，您可以通过传递字典或损失列表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个损失的总和。

...

loss_weights：可选列表或字典，指定标量系数（Python 浮点数）以加权不同模型输出的损失贡献。然后，模型将最小化的损失值将是所有单个损失的加权总和，由loss_weights 系数加权。如果是列表，则预计与模型的输出有 1:1 的映射关系。如果是张量，则应将输出名称（字符串）映射到标量系数。

所以，是的，最终损失将是“所有个人损失的加权总和，由loss_weights 系数加权”。

您可以查看code where the loss is calculated。

另外，在训练期间是什么意思？ loss2 是否仅用于更新 y2 来自的层的权重？还是用于模型的所有层？

权重通过backpropagation 更新，因此每个损失只会影响将输入连接到损失的层。

例如：

                        +----+         
                        > C  |-->loss1 
                       /+----+         
                      /                
                     /                 
    +----+    +----+/                  
 -->| A  |--->| B  |\                  
    +----+    +----+ \                 
                      \                
                       \+----+         
                        > D  |-->loss2 
                        +----+

loss1 将影响 A、B 和 C。
loss2 将影响 A、B 和 D。

【讨论】：

注意！！！来自文档：'如果模型有多个输出......模型将最小化的损失值将是所有个体损失的总和'（合理）tensorflow.org/api_docs/python/tf/keras/Model#compile所以最终损失将影响所有跨度>

【解决方案2】：

对于反向传播的多个输出，我认为这不是 Fábio Perez 提到的完整答案。

另外，在训练期间是什么意思？ loss2是否只用于更新 y2 来自的层的权重？或者它是否用于模型的所有层？

对于输出 C 和输出 D，keras 将计算最终损失 F_loss=w1 * loss1 + w2 * loss2。然后，将最终的损失 F_loss 应用于输出 C 和输出 D。最后来自输出 C 和输出 D 的反向传播，使用相同的 F_loss 进行反向传播。

【讨论】：