在Keras中實現自定義層和損失函數需要使用tf.keras.layers.Layer類和tf.keras.losses.Loss類。下面分別介紹如何實現自定義層和損失函數。

實現自定義層

要實現自定義層，首先需要創建一個繼承自tf.keras.layers.Layer的類，并實現__init__和call方法。在__init__方法中可以定義層的參數，而在call方法中可以定義層的計算邏輯。

import tensorflow as tf

class CustomLayer(tf.keras.layers.Layer):
    def __init__(self, units=32):
        super(CustomLayer, self).__init__()
        self.units = units

    def build(self, input_shape):
        self.w = self.add_weight(shape=(input_shape[-1], self.units),
                                 initializer='random_normal',
                                 trainable=True)
        self.b = self.add_weight(shape=(self.units,),
                                 initializer='zeros',
                                 trainable=True)

    def call(self, inputs):
        return tf.matmul(inputs, self.w) + self.b

在上面的例子中，我們定義了一個簡單的自定義層CustomLayer，它包含一個權重矩陣w和一個偏置向量b，并實現了矩陣乘法和加法的計算邏輯。

實現自定義損失函數

要實現自定義損失函數，需要創建一個繼承自tf.keras.losses.Loss的類，并實現__init__和call方法。在call方法中定義損失函數的計算邏輯。

import tensorflow as tf

class CustomLoss(tf.keras.losses.Loss):
    def __init__(self, weight=1.0, **kwargs):
        super(CustomLoss, self).__init__(**kwargs)
        self.weight = weight

    def call(self, y_true, y_pred):
        loss = tf.square(y_true - y_pred)
        return tf.reduce_mean(loss) * self.weight

在上面的例子中，我們定義了一個簡單的自定義損失函數CustomLoss，它計算了預測值和真實值之間的平方差，并乘以一個權重因子。最后返回平均損失值。

使用自定義層和損失函數

在使用自定義層和損失函數時，可以像使用內置層和損失函數一樣使用它們。下面是一個示例：

model = tf.keras.Sequential([
    CustomLayer(units=64),
    tf.keras.layers.Dense(units=10, activation='softmax')
])

model.compile(optimizer='adam', loss=CustomLoss(weight=0.5), metrics=['accuracy'])

在上面的示例中，我們創建了一個包含自定義層CustomLayer的模型，并使用自定義損失函數CustomLoss進行編譯。這樣就可以使用自定義層和損失函數來訓練模型了。