Keras 内置的 2D 数据 MSE 损失返回 2D 矩阵，而不是标量损失

Question

一旦模型经过训练，我正在尝试使用 Keras 中的自动编码器 (AE) 评估单个 2D 测试样本的 MSE 损失，当我调用 Keras MSE 内置函数来获取单个样本时，我感到很惊讶损失它返回二维张量。这意味着损失函数为每个样本计算每个像素的一个损失，而不是每个样本的一个损失（？）。明确地说，我希望 MSE 将在所有像素上计算的平方误差的平均值与每个 2D 样本相关联（正如我在此 SO post 上读到的）。

由于在使用 .predict() 和 .evaluate() 训练我的 AE 后，我没有设法得到一组标量 MSE 错误，每个测试样本只有一个标量（也许我也错过了一些东西），我继续尝试直接使用keras.losses.mean_squared_error()，逐个示例。这让我返回了 2D 张量作为每个样本的损失（输入张量的大小为(N,M,1)）。当查看 Keras' original implementation 的 MSE 损失时，会发现：

def mean_squared_error(y_true, y_pred):
    return K.mean(K.square(y_pred - y_true), axis=-1)

axis=-1 解释了为什么在计算损失时不会立即将多个维度缩减为标量。

因此我想知道：

1. 我的模型在训练期间到底使用了什么？是不是 正如我预期的那样，每个样本的所有像素的均方误差 ?这不是内置代码所建议的。
2. 我是否绝对需要重新定义 MSE 损失以获得每个测试样本的单独 MSE 损失？获得标量 I 然后将不得不展平样本和相关的 预测，然后重新应用内置 MSE（以及此示例）。

在计算 MSE 之前手动展平似乎需要根据这个 SO answer 对 Keras 的 MSE 损失进行处理。当我阅读此keras.io Mnist 去噪教程时，对我来说使用 MSE 处理具有 2D 数据的 AE 模型似乎很好。

我的代码：

import keras

AE_testOutputs = autoencoder.predict(samplesList)

samplesMSE = []
for testSampleIndex in range(samplesList.shape[0]):
    AE_output = AE_testOutputs[testSampleIndex,:,:,:]
    samplesMSE.append(keras.losses.mean_squared_error(samplesList[testSampleIndex,:,:,:],AE_output))

返回samplesMSE 的Tensor("Mean:0", shape=(15, 800), dtype=float64) 对象列表。

如果我错过了一个类似的问题，我很抱歉，我在发布之前做了积极的研究，我仍然害怕有一个非常简单的解释/我一定错过了某个地方的内置功能。

Answer 1

虽然不是绝对要求，但 Keras 损失函数通常定义为“每个样本”，其中“样本”基本上是模型输出张量中的每个元素。然后损失函数通过一个包装函数weighted_masked_objective，它增加了对屏蔽和样本加权的支持。默认情况下，总损失是样本损失的平均值。

如果您想获得除第一个维度之外的每个维度的某个值的平均值，您可以简单地使用K.mean 来覆盖您获得的值。