前言
正常的损失加上感知损失，肯定需要自定义合适的loss function。在keras中，自定义loss function :
先考虑keras中的loss，如下：
def mean_squared_error(y_true, y_pred):return K.mean(K.square(y_pred - y_true), axis=-1)
如果要定义自己的感知损失：
def model_loss(y_true, y_pred):inp = Input(shape=(128, 128, 1))x = Dense(2)(inp)x = Flatten()(x)model = Model(inputs=[inp], outputs=[x])a = model(y_pred)b = model(y_true)# calculate MSEmse = K.mean(K.square(a - b))return mse
上面的代码只是一个概念展示，但是能够指导我们应该如何去做。
举例
因为在做医疗影像，所以一般的医疗影像都不是正常的RGB三通道图像，往往是3D的影像或者是1通道影像，如下图所示：
脑部的失状图影像，图像大小是(182, 218,1)，训练的神经网络输入是（160，200，1），那么如果要使用VGG16的感知损失的话，需要将其复制为3通道，具体细节代码如下：
def VGGloss(y_true, y_pred): # Note the parameter orderfrom keras.applications.vgg16 import VGG16mod = VGG16(include_top=False, weights='imagenet')pred = K.concatenate([y_pred, y_pred, y_pred])true = K.concatenate([y_true, y_true, y_true])vggmodel = mod f_p = vggmodel(pred) f_t = vggmodel(true) return K.mean(K.square(f_p - f_t))
使用：
pile(optimizer=Adam, loss = losses.VGGloss)
参考：/questions/43914931/vgg-perceptual-loss-in-keras
