我是 DL 和 Keras 的新手。我正在尝试使用 Keras（tensorflow 后端）解决多元输出（y 形状（？，2））的回归问题。我对如何计算损失感到困惑。我使用平均绝对误差作为损失函数。但是，由于我的目标数据有 2 个维度，因此损失值是否计算为所有维度上的简化平均值（结果为标量）？我检查了 Keras 源代码，它使用 K.mean(..., axis=-1) 进行 MAE 计算。如果 K.mean 与 numpy.mean 相同，则“axis=-1”应该是列均值（对于我来说，它应该返回一个形状为 (?,2) 但不是标量的张量）。如果是这种情况，损失值怎么可能是一个数字（在训练过程日志中输出）？
如果 MAE 回报确实是一个标量（减少的平均值），这给了我另一个问题。我的目标每个维度的数据不在同一范围内。降低的平均值将偏向高值维度。那么我应该将我的模型更改为多任务学习模型吗？
非常感谢您对此的帮助。
L.
回答：
1）在计算多变量输出的损失函数时，keras 将其计算为所有输出的平均值：https ://github.com/keras-team/keras/blob/2.0.4/keras/losses.py#L12
因此，如果一个输出做得非常糟糕而其他输出没有，它可能会影响您的损失结果。
2）在源代码中没有提到缩放输出以计算损失函数，因此，我认为损失函数将高度依赖于每个 Y 特征的边界。
为了避免这种情况，您可以做的是编写一个自定义损失函数，在输出损失值之前缩放您的 Y 输出：
scaler = MinMaxScaler()
data_trans = scaler.fit_transform(y_true)
def custom_mean_absolute_error(y_true, y_pred):
y_true = (y_true - K.constant(scaler.min_)) / K.constant(scaler.scale_)
y_pred = (y_pred - K.constant(scaler.min_)) / K.constant(scaler.scale_)
return K.mean(K.abs(y_pred - y_true), axis=-1)
我在 RMSE 上遇到了同样的问题，顺便说一下，这可能是 MAE 的一个很好的补充选择。因此，为了测量多维输出的误差预测，我实现的方式如下。测量每个维度的索引分数，然后对所有维度进行平均，得到单个标量值。如果您的数据不在同一规模上，请对其应用标准化。为了在所有输出维度上具有相同的数量级，您还可以在应用平均减少之前将每列除以其相应的测试集标准差。