您尝试构建的损失函数应该具有两个属性：
1.每个非白色像素中的误差应比白色像素中的误差具有更大的权重
1.像素越暗，误差越大
因此，为了简化计算，如果将暗像素归为白色像素，则希望误差更大，但对于将白像素归为暗像素，但仍希望它们对损失函数有贡献的情况，不必太担心。此外，您还希望确保损失与像素的强度成正比（像素越暗，误差越大）。
我已经提出了下面的损失函数，它符合这两个性质：

def custom_loss(y_true, y_pred, coeff):
    y_true1, y_pred1 = (255 - y_true) / 255, (255 - y_pred) / 255
    dif = y_true1 - y_pred1
    temp1 = K.l2_normalize(K.cast(K.greater(dif, 0),"float32")*y_true1,axis=-1) * coeff
    temp2 = K.cast(K.less(dif, 0),"float32")
    weight = temp1 + temp2  
    loss = K.abs(weight*dif)
    average_loss = K.mean(loss)   ##you need to return this when you use in your code
    return K.eval(loss)

因此，基本上，我们在进行归一化并乘以dif（对应于较暗像素）-temp1中仅与正值成比例的权重之后，找到真实值与预测值之间的差异。然后，我们仅将1的权重添加到对应于负值（对应于白色）的像素。
样本输出

coeff = 5
y_t = np.array([0,250,30,0,255,160,210,0,2,4])
y_p = np.array([50,0,80,10,255,160,210,250,2,80])
custom_loss(y_t,y_p,coeff ) 

array([0.449957, 0.98039216, 0.39702088, 0.08999141, 0., 0., 0., 2.249785, 0., 0.67320627],dtype=float32)

这里，如果你仔细观察2和8位的像素，像素8对应的情况是，我们预测暗像素为白色像素，这在我们的情况下非常糟糕，因此损失值非常高2.249785，同样，像素2对应的情况是，我们预测白色像素为暗像素，这对我们来说还不错，因此损失值为0.98039216，其不像前一情况那样高。这对应于属性1。
类似地，如果您查看像素1和3，两种情况下的误差幅度相同（相差50），但像素1比像素3暗得多，因此我们希望像素1上的误差高于像素3，这就是我们在误差向量中观察到的。
在真实值和预测值匹配的情况下，我们有0误差。