是否可以使用 Keras 从自定义损失函数中调用/使用实例属性或全局变量？

我想定义一个如下的损失函数：

def custom_loss_function(y_true, y_pred):
    calculate loss based on y_true, y_pred and self.list_of_values

其中变量 self.list_of_values 每次迭代都会在此函数之外进行修改，因此每次“调用”custom_loss_function 时都会有不同的值。我知道从这个帖子 https://stackoverflow.com/questions/55653015/how-do-i-call-a-global-variable-in-keras-custom-loss-function-to-change-the-ret损失函数仅被调用一次，然后“会话迭代地评估损失”。

我的疑问是是否可以使用损失函数中的全局/外部变量（具有动态值），然后像这样使用：

model.compile(loss=custom_loss_function, optimizer=Adam(lr=LEARNING_RATE), metrics=['accuracy'])

在此指定解决方案（答案部分），即使它存在于注释部分中，对于社区的利益.

变量，list_of_values可以被认为是一个Input Variable like

list_of_values = Input(shape=(1,), name='list_of_values')并定义Custom Loss function如下所示：

def sample_loss( y_true, y_pred, list_of_values ) :
    return list_of_values * categorical_crossentropy( y_true, y_pred ) 

还有，同样Global Variable可以作为输入传递给模型，例如：

model = Model( inputs=[x, y_true, list_of_values], outputs=y_pred, name='train_only' )

示例的完整代码如下所示：

from keras.layers import Input, Dense, Conv2D, MaxPool2D, Flatten
from keras.models import Model
from keras.losses import categorical_crossentropy

def sample_loss( y_true, y_pred, list_of_values ) :
    return list_of_values * categorical_crossentropy( y_true, y_pred ) 

x = Input(shape=(32,32,3), name='image_in')
y_true = Input( shape=(10,), name='y_true' )
list_of_values = Input(shape=(1,), name='list_of_values')
f = Conv2D(16,(3,3),padding='same')(x)
f = MaxPool2D((2,2),padding='same')(f)
f = Conv2D(32,(3,3),padding='same')(f)
f = MaxPool2D((2,2),padding='same')(f)
f = Conv2D(64,(3,3),padding='same')(f)
f = MaxPool2D((2,2),padding='same')(f)
f = Flatten()(f)
y_pred = Dense(10, activation='softmax', name='y_pred' )(f)
model = Model( inputs=[x, y_true, list_of_values], outputs=y_pred, name='train_only' )
model.add_loss( sample_loss( y_true, y_pred, list_of_values ) )
model.compile( loss=None, optimizer='sgd' )
print model.summary()

欲了解更多信息，请参阅此堆栈溢出答案 https://stackoverflow.com/a/50127646/13465258.

希望这可以帮助。快乐学习！