Я надеюсь, что следующее будет достаточно ясным
У меня есть train_x и train_y; Теперь давайте просто скажем, что каждая запись состоит из 5 записей из матрицы. Вместе с этими данными у меня есть еще один набор данных Q, который имеет отношение к другим следующим образом:
(сумма первых 3 элементов каждой входной записи i) ^ - 1 * y_pred [i, 2] = Q [:, 2]
Вот изображение, чтобы быть более ясным (извините, но я не мог использовать латекс здесь): условие
Теперь я использовал loss_function_wrapper также передать входной слой моему custom_loss
def custom_loss_wrapper(input_train, q):
def custom_loss(y_true, y_pred):
return K.mean(K.square(y_true - y_pred)) + ...
return custom_loss
Проблема сейчас в том, что элементы q, которые я должен использовать, должны соответствовать входным данным, используемым для обучения, и я думаю, что это будет потеряно при использовании пакетов для обучения (как может содержать это corrispondece?)
И кроме этого я не уверен, как вычислить вещи с обоими тензорами (здесь, input_train) и массивом np, то есть q, который приходит извне модель.
Спасибо, надеюсь понятно