模型在做Compiler時，指定 loss function ，如下:

model.compile(optimizer="rmsprop",
loss="sparse_categorical_crossentropy",
metrics=["accuracy"])

我們可以指定 "sparse_categorical_crossentropy" 這個字串讓框架去找對應的模組來使用。那還有什麼方式可以指定 loss function，或有機會自己定義另外的算法來計算 ?

透過觀察，如果使用以上方式，於模型做 compiler 時，必定會建立與初始化 LossesContainer 物件，會將此物件指定到模型的compiled_loss屬性， 指定的 loss 參數也會包進來此物件中。

當LossesContainer建立完成時，並未執行build的動作，相對也就是其中被包進來的 loss 也未完全建立起來(如果是傳指定的loss function name)。

直到模型訓練的過程(參考模型fit文章)，在某一輪訓練每層的計算完成後，會需要 loss function，這時會到 keras.engine.training.compute_loss 去找 loss function，因為偵測到 LossesContainer 並未執行過 build 的動作，所以這個時機點會先做 LossesContainer 的 build 。 
途中會透過以下過程:
keras.engine.compile_utils._get_loss_object 
 -> keras.losses.get 
 -> keras.losses.deserialize
 -> keras.saving.legacy.serialization.deserialize_keras_object

會於框架中的模組物件搜尋對應的 loss function 物件。
框架中的loss function 物件也依照傳入的字串 identifier 來找出對應的loss物件。其mapping的內容如下:

function :
 'squared_hinge' :keras.losses.squared_hinge
 'hinge' :keras.losses.hinge
 'categorical_hinge' :keras.losses.categorical_hinge
 'huber' :keras.losses.huber
 'log_cosh' :keras.losses.log_cosh
 'categorical_crossentropy' :keras.losses.categorical_crossentropy
 'categorical_focal_crossentropy' :keras.losses.categorical_focal_crossentropy
 'sparse_categorical_crossentropy' :keras.losses.sparse_categorical_crossentropy
 'binary_crossentropy' :keras.losses.binary_crossentropy
 'binary_focal_crossentropy' :keras.losses.binary_focal_crossentropy
 'kl_divergence' :keras.losses.kl_divergence
 'poisson' :keras.losses.poisson
 'cosine_similarity' :keras.losses.cosine_similarity
 'bce' :keras.losses.binary_crossentropy
 'BCE' :keras.losses.binary_crossentropy
 'mse' :keras.losses.mean_squared_error
 'MSE' :keras.losses.mean_squared_error
 'mae' :keras.losses.mean_absolute_error
 'MAE' :keras.losses.mean_absolute_error
 'mape' :keras.losses.mean_absolute_percentage_error
 'MAPE' :keras.losses.mean_absolute_percentage_error
 'msle' :keras.losses.mean_squared_logarithmic_error
 'MSLE' :keras.losses.mean_squared_logarithmic_error
 'kld' :keras.losses.kullback_leibler_divergence
 'KLD' :keras.losses.kullback_leibler_divergence
 'kullback_leibler_divergence' :keras.losses.kullback_leibler_divergence
 'logcosh' :keras.losses.logcosh
 'huber_loss' :keras.losses.huber_loss
 
 class:
 'Loss' :'keras.losses.Loss'
 'LossFunctionWrapper' :'keras.losses.LossFunctionWrapper'
 'MeanSquaredError' :'keras.losses.MeanSquaredError'
 'MeanAbsoluteError' :'keras.losses.MeanAbsoluteError'
 'MeanAbsolutePercentageError' :'keras.losses.MeanAbsolutePercentageError'
 'MeanSquaredLogarithmicError' :'keras.losses.MeanSquaredLogarithmicError'
 'BinaryCrossentropy' :'keras.losses.BinaryCrossentropy'
 'BinaryFocalCrossentropy' :'keras.losses.BinaryFocalCrossentropy'
 'CategoricalCrossentropy' :'keras.losses.CategoricalCrossentropy'
 'CategoricalFocalCrossentropy' :'keras.losses.CategoricalFocalCrossentropy'
 'SparseCategoricalCrossentropy' :'keras.losses.SparseCategoricalCrossentropy'
 'CosineSimilarity' :'keras.losses.CosineSimilarity'
 'Hinge' :'keras.losses.Hinge'
 'SquaredHinge' :'keras.losses.SquaredHinge'
 'CategoricalHinge' :'keras.losses.CategoricalHinge'
 'Poisson' :'keras.losses.Poisson'
 'LogCosh' :'keras.losses.LogCosh'
 'KLDivergence' :'keras.losses.KLDivergence'
 'Huber' :'keras.losses.Huber'

如果找回的是 function 物件，則會透過 keras.losses.LossFunctionWrapper 類別將 loss function 物件融入進來，讓之後計算可以透過keras.losses.LossFunctionWrapper.call 來叫用。

自定義 loss function 類別
那如果自定義 loss function 要如何實作類別? 以下做簡單的範例來實現:

(1) 繼承keras.losses.LossFunctionWrapper ，並傳入loss function物件(或自己客製):

class MySparseCategoricalCrossentropy(LossFunctionWrapper):
    def __init__(
     self, fn , from_logits=False, ignore_class=None, reduction=losses_utils.ReductionV2.AUTO,  
     name="sparse_categorical_crossentropy",
     ):
     super().__init__(
     fn,
     name=name,
     reduction=reduction,
     from_logits=from_logits,
     ignore_class=ignore_class,
     )

(2) 繼承 keras.losses.Loss ， 並實作 call 函式:

class MySparseCategoricalCrossentropy(keras.losses.Loss):
    def call(self, y_true, y_pred):
     return keras.losses.sparse_categorical_crossentropy(y_true, y_pred, from_logits=False,
     axis=-1, ignore_class=None)

所以這些自定義的方式，還可以加上客製的處理，做一些需要額外的運算、更有效率的公式運作等等。
以上為觀察並記錄於此。