[299，299，3]的张量，则如何编写损失函数loss(y_true，y_pred)。我应该期望y_true和y_pred具有形状[batch_size，299，299，3]，并且损失函数的输出是形状数组[batch_size]还是其他某些形状？编辑：我的第一个答案是基于您的输入为（299,299,3），而不是您的输出。非常抱歉！“图像预测”相当模糊，但如果您的意图确实是将3D张量作为y_pred输出，则仍然可能需要创建一个生成标量的损失函数。这是因为样本的损失需要与所有其他样本的误差汇总。联合损失允许模型推广其行为。请参见this wiki snippet。实质上，多维损失函数等效于在随机梯度下降中将批次大小设置为1。
第一个答案：
通常情况下，您希望您的损失函数输出单个数字。如果您正在进行图像分类，则几乎肯定希望您的损失函数输出单个数字。
假设“图像预测”意味着“图像分类”，则您的输入很可能是您的图像，而y_pred通常将是一批长度等于可能类别数的一维数组。
你的 y_true 将是一个批量的与 y_pred 相同大小的 one_hot 编码数组。这意味着它们是长度等于图像可分类数量的数组。不同之处在于，y_true 向量除了对应图像类别的索引处有一个 1 外，其余位置都是 0。
例如，如果你的图像只包括狗、猫或羊，则有 3 个可能的类别。假设 0 表示狗，1 表示猫，2 表示羊。那么如果一张图片是一只羊，则相应的 y_true 将是 [0,0,1]。如果这张图片是一只猫，则 y_true 将是 [0,1,0]。如果你的图像是一只熊，你的分类器将会感到困惑...
至于损失函数，通常你可以计算每个 y_pred 与相应的 y_true 的误差，并将批次中所有差异加起来。这将得到一个代表批次总损失的单个数字。
Keras已经很好地设置了损失函数处理。当您拥有一个模型时，您可以调用model.compile(loss='some_loss_fxn_here', optimizer='some_optimizer_here')并指定要使用的损失函数作为字符串。您可能希望使用'categorical_crossentropy'。
根据您提出问题的方式，您可能需要先创建一个模型，然后再考虑所有这些内容。
您可以尝试类似于以下内容：
from keras.models import Sequential, Model
from keras.layers import Conv2D, MaxPooling2D, Dense, Flatten, Dropout
from keras.layers.normalization import BatchNormalization
def conv_block(x, depth, filt_shape=(3,3), padding='same', act='relu'):
x = Conv2D(depth, filt_shape, padding=padding, activation=act)(x)
x = BatchNormalization()(x)
pool_filt, pool_stride = (2,2), (2,2)
return MaxPooling2D(pool_filt, strides=pool_stride, padding='same')(x)
# Don't forget to preprocess your images!
inputs = Input(shape(299,299,3))
layer1 = conv_block(inputs, 64) # shape = [batch_size,150,150,64]
layer1 = Dropout(.05)(layer1) # Note early dropout should be low
layer2 = conv_block(layer1, 64) # shape = [batch_size,75,75,64]
layer2 = Dropout(.1)(layer2)
layer3 = conv_block(layer2, 64) # shape = [batch_size,38,38,64]
layer3 = Dropout(.2)(layer3)
layer4 = conv_block(layer3, 64) # shape = [batch_size,19,19,64]
layer4 = Dropout(.25)(layer4)
layer5 = conv_block(layer4, 64) # shape = [batch_size,10,10,30]
flat_layer = Flatten()(layer5) # shape = [batch_size, 3000]
flat_layer = Dropout(.4)(flat_layer)
def dense_block(x, output_dim, act='relu'):
x = Dense(output_dim, activation=act)(x)
return BatchNormalization()(x)
layer6 = dense_block(flat_layer, 300)
layer7 = dense_block(layer6, 50)
n_labels = 10 # change this number depending on the number of image classes
outputs = dense_block(layer7, n_labels, 'softmax')
model = Model(inputs=inputs, outputs=outputs)
model.compile(loss='categorical_crossentropy', optimizer='adam')
# Be sure to make your own images and y_trues arrays!
model.fit(x=images,y=y_trues,batch_size=124)