TensorFlow中model.compile设置Huber损失delta参数触发TypeError怎么办？

你遇到的错误是因为直接调用huber(delta=0.1)时，函数会立刻尝试计算损失，但此时缺少训练时才会传入的y_true和y_pred参数，因此触发TypeError。下面是两种正确的设置方式：

方法一：使用Huber损失类（推荐） #

keras.losses.huber本质是Huber类的快捷调用，当需要自定义参数时，直接实例化Huber类即可：

import numpy as np
import tensorflow as tf
from tensorflow import keras

# 创建数据集
x = np.random.rand(10, 1)
y = 2 * x + np.random.randn(10, 1) * 0.1

# 定义模型
model = keras.Sequential([
    keras.layers.Dense(1, input_shape=[1])
])

# 编译模型（使用Huber类实例化并设置delta）
model.compile(loss=keras.losses.Huber(delta=0.1), optimizer='adam')

# 训练模型
model.fit(x, y, epochs=5)

方法二：用Lambda函数包装损失函数 #

如果你偏好使用函数形式，可以用Lambda函数封装，确保huber函数在训练时能接收到y_true和y_pred参数：

model.compile(loss=lambda y_true, y_pred: keras.losses.huber(y_true, y_pred, delta=0.1), optimizer='adam')

补充说明 #

• loss="huber"：Keras会自动实例化一个使用默认参数（delta=1.0）的Huber损失对象。
• loss=huber：直接传递损失函数本身，Keras会在训练时自动传入y_true和y_pred参数。
• 而huber(delta=0.1)是直接执行了损失计算，但此时没有传入必须的y_true和y_pred，因此报错。

内容的提问来源于stack exchange，提问作者iris_hu