TensorFlow自定义掩码平均绝对误差损失函数报错：TypeError类型不匹配问题排查

核心错误原因 #

你遇到的TypeError是因为误用了tf.keras.losses.MeanAbsoluteError类的调用方式：

• tf.keras.losses.MeanAbsoluteError是一个损失类，它的构造函数参数是损失的归约方式（比如reduction='auto'），而不是直接传入y_true和y_pred。你直接把张量传给了构造函数，导致框架把这些张量当成了字符串类型的参数（比如reduction参数的默认值是'auto'，类型不匹配就报错了）。

另外，你的代码里还有一个逻辑冗余错误：y_true_masked *= y_true和y_pred_masked *= y_pred这两行完全没必要——tf.boolean_mask已经帮你提取了符合条件的元素，再相乘会导致维度不匹配（因为mask后的张量维度是压缩过的），还会破坏原本的真实值和预测值。

修正后的代码方案 #

下面提供两种正确的实现方式，选其一即可：

方案1：使用函数式API（推荐）

直接调用tf.keras.losses.mae函数（这是MeanAbsoluteError类的便捷函数版本）来计算损失：

import tensorflow as tf
import numpy as np

def mae_masked(y_true, y_pred):
    # 生成mask：筛选出y_true不等于-np.inf的位置
    mask = tf.math.logical_not(tf.math.is_inf(-y_true))
    # 提取符合条件的真实值和预测值
    y_true_masked = tf.boolean_mask(y_true, mask)
    y_pred_masked = tf.boolean_mask(y_pred, mask)
    # 如果没有有效样本，返回0避免NaN
    if tf.size(y_true_masked) == 0:
        return 0.0
    # 计算MAE
    return tf.keras.losses.mae(y_true_masked, y_pred_masked)

方案2：正确使用损失类

先实例化MeanAbsoluteError类，再调用它来计算损失：

import tensorflow as tf
import numpy as np

def mae_masked(y_true, y_pred):
    mask = tf.math.logical_not(tf.math.is_inf(-y_true))
    y_true_masked = tf.boolean_mask(y_true, mask)
    y_pred_masked = tf.boolean_mask(y_pred, mask)
    if tf.size(y_true_masked) == 0:
        return 0.0
    # 先实例化损失类，再调用计算
    mae_loss = tf.keras.losses.MeanAbsoluteError()
    return mae_loss(y_true_masked, y_pred_masked)

额外说明 #

• 我添加了tf.size(y_true_masked) == 0的判断，防止当所有y_true都是-np.inf时，计算MAE会得到NaN的情况。
• tf.math.logical_not(tf.math.is_inf(-y_true))和你原来的tf.math.is_inf(-y_true)逻辑一致，但可读性更强——明确表示我们要保留不是-np.inf的元素。

内容的提问来源于stack exchange，提问作者VincFort