背景

当前，我正在使用LSTM进行回归。我正在使用较小的批处理量，并且具有相当大的时间步长（但比我拥有的时间步长少得多）。

我正在尝试以较少的时间步长过渡到较大的批次，但启用了有状态，以允许使用大量的生成的训练数据。

但是，我目前使用的是基于sqrt（timestep）的正则化，（经过消融测试，有助于收敛速度，由于问题的统计性质，它可以正常工作，预期误差减少了sqrt（时间步长））。通过使用tf.range来生成损失函数中适当大小的列表来执行此操作。启用有状态功能后，这种方法将是不正确的，因为它将计数错误的时间步数（此批次中的时间步数，而不是到目前为止看到的全部时间）。

问题

是否可以将偏移量或整数列表或浮点数传递给损失函数？最好不要修改模型，但我知道可能需要这种性质的破解。

代码

简化模型：

def create_model():    
    inputs = Input(shape=(None,input_nodes))
    next_input = inputs
    for i in range(dense_layers):
        dense = TimeDistributed(Dense(units=dense_nodes,activation='relu',kernel_regularizer=l2(regularization_weight),activity_regularizer=l2(regularization_weight)))\
            (next_input)
        next_input = TimeDistributed(Dropout(dropout_dense))(dense)

    for i in range(lstm_layers):
        prev_input = next_input
        next_input = LSTM(units=lstm_nodes,dropout=dropout_lstm,recurrent_dropout=dropout_lstm,recurrent_regularizer=l2(regularization_weight),activity_regularizer=l2(regularization_weight),stateful=True,return_sequences=True)\
            (prev_input)
        next_input = add([prev_input,next_input])

    outputs = TimeDistributed(Dense(output_nodes,activity_regularizer=l2(regularization_weight)))\
        (next_input)

    model = Model(inputs=inputs,outputs=outputs)

丢失功能

def loss_function(y_true,y_pred):
    length = K.shape(y_pred)[1]

    seq = K.ones(shape=(length,))
    if use_sqrt_loss_scaling:
        seq = tf.range(1,length+1,dtype='int32')
        seq = K.sqrt(tf.cast(seq,tf.float32))

    seq = K.reshape(seq,(-1,1))

    if separate_theta_phi:
        angle_loss = phi_loss_weight * phi_metric(y_true,y_pred,angle_loss_fun)
        angle_loss += theta_loss_weight * theta_metric(y_true,angle_loss_fun)
    else:
        angle_loss = angle_loss_weight * total_angle_metric(y_true,angle_loss_fun)

    norm_loss = norm_loss_weight * norm_loss_fun(y_true,y_pred)
    energy_loss = energy_loss_weight * energy_metric(y_true,y_pred)
    stability_loss = stability_loss_weight * stab_loss_fun(y_true,y_pred)
    act_loss = act_loss_weight * act_loss_fun(y_true,y_pred)

    return K.sum(K.dot(0
        + angle_loss
        + norm_loss
        + energy_loss
        + stability_loss
        + act_loss,seq))

（计算损失函数的函数不应该与超级骗子相关。简单地说，它们也是损失函数。）