我正在创建一个以Tensorflow作为后端的Keras模型 . 以下是我正在创建的模型的摘要：Model

以下是加载培训和测试数据的代码：

X_train = np.load('data_train.npy')
Y_train = np.load('labels_train.npy')
X_test = np.load('data_test.npy')
Y_test = np.load('labels_test.npy')

X_train和X_test的形状为[？，608,608,3]，而Y_train和Y_test的形状为[？，19,19,5] .

根据总结，这个模型的最终输出应该是维度（？，19,19,5），但是当我检查model.predict（）的形状时，结果证明是（？，19,5， 5） .

这是我用于训练和预测输出的代码：

mmodel = model(X_train.shape[1:])

mmodel.compile('adam',cust_loss)

mmodel.fit(X_train, Y_train, epochs=40, batch_size=25)

o_p = nucleus_model.predict(X_test)

print(o_p.shape) # prints (134, 19, 5, 5)

为什么会发生这种情况？我尝试在CPU和GPU上运行 . 还尝试使用由较少数量的训练示例组成的输入 .

我正在为最后一层定义自定义丢失函数和自定义激活方法 . 为他们提供片段，以防他们在调试问题时有任何用处：

def cust_loss(y_true, y_pred):
    class_error = tf.reduce_sum(tf.multiply((y_true[:,:,0]-y_pred[:,:,0]),(y_true[:,:,0]-y_pred[:,:,0])))
    row_error = tf.reduce_sum(tf.multiply((y_true[:,:,1]-y_pred[:,:,1]),(y_true[:,:,1]-y_pred[:,:,1])))
    col_error = tf.reduce_sum(tf.multiply((y_true[:,:,2]-y_pred[:,:,2]),(y_true[:,:,2]-y_pred[:,:,2])))
    h_error = tf.reduce_sum(tf.abs(tf.sqrt(y_true[:,:,3])-tf.sqrt(y_pred[:,:,3])))
    w_error = tf.reduce_sum(tf.abs(tf.sqrt(y_true[:,:,4])-tf.sqrt(y_pred[:,:,4])))
    e1 = tf.add(class_error,row_error)
    e2 = tf.add(e1,col_error)
    e3 = tf.add(e2,h_error)
    e4 = tf.add(e3,w_error)
    return e4

def custom_activation(x):
    return tf.concat([tf.sigmoid(x[:,:,0:1]) , tf.nn.relu(x[:,:,1:5])],axis = 2)
 get_custom_objects().update({'custom_activation': Activation(custom_activation)})
python tensorflow keras