Lambda默认情况下，该层不传播掩码。换句话说，由该Masking层计算的掩码张量被该层丢弃Lambda，因此该Masking层对输出损耗没有影响。
如果要使图层的compute_mask方法Lambda传播先前的蒙版，mask则在创建图层时必须提供参数。从Lambda层的源代码可以看出，
def __init__(self, function, output_shape=None,
mask=None, arguments=None, **kwargs):
# ...
if mask is not None:
self.supports_masking = True
self.mask = mask
# ...
def compute_mask(self, inputs, mask=None):
if callable(self.mask):
return self.mask(inputs, mask)
return self.mask
因为默认值mask是None，compute_mask收益None和损失是不是在所有的屏蔽。
要解决此问题，由于您的Lambda图层本身未引入任何其他遮罩，因此该compute_mask方法应仅返回上一层的遮罩（并进行适当的切片以匹配该图层的输出形状）。
masking_func = lambda inputs, prevIoUs_mask: prevIoUs_mask[:, N:]
model = Sequential()
model.add(Masking(mask_value=0., input_shape=(timesteps, features)))
model.add(LSTM(128, return_sequences=True))
model.add(LSTM(64, return_sequences=True))
model.add(LSTM(1, return_sequences=True))
model.add(Lambda(lambda x: x[:, N:, :], mask=masking_func))
现在您应该能够看到正确的损失值。
>> model.evaluate(x_test, y_test, verbose=0)
0.2660679519176483
>> out = model.predict(x_test)
>> print('wo mask', mean_absolute_error(y_test.ravel(), out.ravel()))
wo mask 0.26519736809498456
>> print('w mask', mean_absolute_error(y_test[~(x_test[:,N:] == 0).all(axis=2)].ravel(), out[~(x_test[:,N:] == 0).all(axis=2)].ravel()))
w mask 0.2660679670482195
使用NaN值进行填充不起作用，因为通过将损耗张量乘以二进制掩码（0 * nanis nan，所以平均值为nan）来完成掩码。
602392714
清零编程群