自定义Keras损失函数中的conv2d

Question

我尝试在Keras中实现一个自定义的丢失函数，TF后端基于两个图像的Laplacian。在

def blur_loss(y_true, y_pred):
    #weighting of blur loss
    alpha = 1
    mae = losses.mean_absolute_error(y_true, y_pred)
    lapKernel = K.constant([0, 1, 0, 1, -4, 1, 0, 1, 0],shape = [3, 3])

    trueLap = K.conv2d(y_true, lapKernel)
    predLap = K.conv2d(y_pred, lapKernel)
    trueBlur = K.var(trueLap)
    predBlur = K.var(predLap)
    blurLoss = alpha * K.abs(trueBlur - predBlur)
    loss = (1-alpha) * mae + alpha * blurLoss
    return loss

当我试图编译模型时，我得到了这个错误

^{pr2}$

在阅读了其他问题之后，我的理解是，这个问题源于使用占位符张量对yüu true和y_pred进行编译。我尝试过检查输入是否是占位符，并用零张量替换它们，但这给了我其他错误。在

如何在损失函数中使用卷积（图像处理函数，而不是层）而不得到这些错误？在

Answer 1

这里的问题是对conv2d函数的误解，它不是简单的二维卷积。它是多通道的批处理二维卷积。因此，虽然您可能希望*2d函数接受二维张量，但输入实际上应该是4个维度（批处理大小、高度、宽度、通道），过滤器也应该是4个维度（过滤器高度、过滤器宽度、输入通道、输出通道）。可在TF docs中找到详细信息