在建立模型的损失函数时，直接使用的tensorflow keras自带的MSE函数，传入的是3D张量，但是在训练的过程中，报错ValueError: operands could not be broadcast together with shapes。
查了形状方面不匹配，但是我把模型结构图片展示出来，并没有发现形状上有什么不对。考虑到是fit函数训练时出错，新加的代码只有损失那边，由于我的数据是时间序列数据所以输入时3D张量（samples, time_step, features），模型的输出也是3D张量，直接调用loss = MSE(inputs, outputs), Mode.add_loss(loss)，就直接报错了。
所以直接测试了关于MSE函数，分别使用3D张量、2D张量、向量来进行测试，看MSE输入的结果是什么形状。首先看一下MSE与MAE的定义。
1. MSE（Mean Squared Error）均方误差
2. RMSE(Root Mean Squared Error)
3. MAE(Mean Absolute Error)平均绝对误差
import numpy as npimport tensorflow as tfimport keras as Kfrom tensorflow.keras.losses import pat.v1.enable_eager_execution()#3D张量a = tf.constant([[[1],[2],[3]]], dtype='float32')b = tf.constant([[[7],[4],[9]]], dtype='float32')c = mse(a, b)print(c)#向量d = tf.reshape(a, [-1])e = tf.reshape(b, [-1])f = mse(d, e)print(f)#2D张量g = tf.reshape(a, [-1, 1])h = tf.reshape(b, [-1, 1])o = mse(g, h)print(o)#输出tf.Tensor([[36. 4. 36.]], shape=(1, 3), dtype=float32)tf.Tensor(25.333334, shape=(), dtype=float32)tf.Tensor([36. 4. 36.], shape=(3,), dtype=float32)#自己的例子nu_inputs = tf.reshape(inputs, [-1,1])nu_outputs = tf.reshape(outputs, [-1,1])print(nu_inputs.shape)print(nu_outputs.shape)loss = mse(nu_inputs, nu_outputs)loss = tf.reshape(loss, [-1])loss = tf.reduce_sum(loss)print(loss.shape)#加入损失函数lstm_endecoder.add_loss(loss)
根据代码给出的结果，我们可以看到三种输出都是张量形式，其中3D张量输出为2D张量，向量输出为标量，2D张量输出为向量，都向下降了一个维度。
其中输出中3D张量元素和向量元素的和除以元素的个数3，就是标量的结果。（36+4+36）/ 3 = 25.333334，最终我们要得到标量的结果。如果我们使用3D张量和2D张量的形式，最后需要
进行处理，得到一个元素和，使之和标量的结果相同。
最后的代码是自己的一个例子，inputs和outputs是网络的输入和输出，首先我把它们转化为2D张量，计算MSE之后，直接作为loss传入网络，结果还是形状不匹配报错。
所以代码中，我在使用2D张量计算了MSE误差之后，将loss形状改为向量，然后求和，传入网络，结果就没有错误。
这个错误一定要注意，目前我认为是无论传入MSE函数是什么形状，一定要保证计算完MSE之后，将结果变为一个标量。也有可能是其他的问题，有更好的解释，欢迎大家指正，共同学习。
参考资料
评估指标——均方误差（MSE）、平均绝对误差（MAE）/Hachi_Lin/article/details/93884333?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_weight&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.edu_weight均方误差（MSE）根均方误差（RMSE）平均绝对误差（MAE）/xiongchengluo1129/article/details/79155550
图像质量评估指标 | MAE | MSE | PSNR | SSIM/stone_fall/article/details/89389269
评估指标-均方误差（MSE） 平均绝对误差（MAE）3D张量 2D张量 向量之间的计算区别（代码解释）
