從上一節可以看出，在模型做compiler時，可以指定 loss function，也能自定義客製的 loss function。 一旦 loss function 決定好後，之後的模型訓練就可以拿此損失函數內容來計算。 拿損失函數計算的運作，是位於模型的 compute_loss 函式； 而內建原本的內容，就是拿上一章節提到的 LossesContainer 來執行 call 函式。

compute_loss 函式式可以自訂客製的，也可以自行增加一些追蹤的屬性來協助觀察模型訓練的效果。

我們來看keras 提供的範例:

from tensorflow.keras.models import Sequential
from tensorflow.keras import layers
from tensorflow.keras.models import Model
import tensorflow as tf

class MyModel(Model):
    def __init__(self, *args, **kwargs):
        super(MyModel, self).__init__(*args, **kwargs)
        self.loss_tracker = tf.keras.metrics.Mean(name='loss')
        
    def compute_loss(self, x, y, y_pred, sample_weight):
        loss = tf.reduce_mean(tf.math.squared_difference(y_pred, y))
        loss += tf.add_n(self.losses)
        self.loss_tracker.update_state(loss)
        return loss
        
    def reset_metrics(self):
        self.loss_tracker.reset_states()
        
    @property
    def metrics(self):
        return [self.loss_tracker]
        
tensors = tf.random.uniform((10, 10)), tf.random.uniform((10,))
dataset = tf.data.Dataset.from_tensor_slices(tensors).repeat().batch(1)
inputs = tf.keras.layers.Input(shape=(10,), name='my_input')
outputs = tf.keras.layers.Dense(10)(inputs)
model = MyModel(inputs, outputs)
model.add_loss(tf.reduce_sum(outputs))
optimizer = tf.keras.optimizers.SGD()
model.compile(optimizer, loss='mse', steps_per_execution=10)
model.fit(dataset, epochs=2, steps_per_epoch=10)
print('My custom loss: ', model.loss_tracker.result().numpy())

自製模型這邊初始時，新增了loss_tracker 屬性物件，此物件為 keras.metrics.base_metric.Mean 的實體，
繼承了keras.metrics.base_metric.Reduce、keras.metrics.base_metric.Metric。
 
在模型實作 compute_loss 中， 計算了自己的 loss value， 在將結果傳入 model.loss_tracker 物件的 update_state 函式， 會找到keras.metrics.base_metric.Reduce.update_state 去存結果到 loss_tracker.total 中。

模型在做fit時，每次epoch迴圈都會執行模型的reset_metrics，這邊會針對此模型使用到的 Metric 物件，也就是 model.loss_tracker 物件，針對此 Metric 執行自身的 reset_states 函式。 而真正執行 model.train_function時， 每層的預測值計算完後，會利用 model.compute_loss來計算其損失函數計算結果，這邊透過自定義計算完成後，在利用 model.loss_tracker 物件的 update_state 函式儲存結果。

透過這個範例，我們可以得知模型的 compute_loss 會與 metrics 有關，實際上真正做模型訓練時，compute_loss 會取得設定的 metrics 資料集，依據每種Metric物件， 迭代逐一執行update_state。

以上是透過keras提供的範例，透過觀察將其運作紀錄於此。