数据挖掘 - 使用多输入的 Keras 自定义损失 - 吾爱随笔录

我在 keras 中有一个带有自定义损失的模型。这种损失是使用实际和预测的标签（或值）计算的，并且还基于一些输入值。

（一个例子是根据奖励或优势来定义损失，就像在强化学习环境中的策略梯度方法中一样）

示例代码：
注意：损失计算中使用的输入值命名为“in2”，变量为input_2

input_1=keras.layers.Input(...,name="in1")
output= keras.layers.Dense(...)(input_1)

input_2=keras.layers.Input(...,name="in2")
def loss_func(y_true,y_pred):
    # some custom loss i define based on input_2
    loss = keras.layers.Dense(..)(input_2) 
    return loss

my_model=keras.Model(inputs=[input_1,input_2],outputs=output)
my_model.compile(...,loss=loss_func,)

现在的问题是，当我只想预测一个输出时，我必须为未使用的input_2. 仅用于计算input_2损失，不用于计算模型输出。但是当我使用此代码时，由于不提供“in2”而出现错误：

# this throws error for not providing input value for 'in2'
my_model.predict({'in1':some_value})

所以我必须提供一些虚拟值，in2以便模型输出它的值，尽管它不使用in2提供的值。请注意，提供 None 值也不起作用。我认为这个功能是在 keras 内部实现的。

或者我做错了？如果是，合适的方法是什么？

想法：
我想到一个想法，也许我们可以定义两个模型。一个模型用于训练，另一个模型用于预测：

my_model_for_training = keras.Model(inputs=[input_1,input_2],outputs=output)
my_model_for_predicting = keras.Model(inputs=[input_1],outputs=output)

当我想预测时，我只使用不需要 input_2 （或in2）的第二个模型，如示例所示。两个模型共享相同的层，因此在训练第一个模型时，两个模型的权重都会更新，如文档（部分：共享层）中所述。有更好的解决方案吗？