TensorFlow自定义损失函数如何传入输入、y_true和y_pred并加权缺失值损失？

错误原因分析 #

你遇到的TypeError是因为直接将CustomLossClass实例传入add_loss()时，没有传入它call()方法必需的y_true和y_pred参数。TensorFlow不会自动为你传递这两个参数到自定义Loss类实例中，正确的做法是在自定义损失层内直接计算损失，无需单独定义Loss子类。

可运行代码实现 #

以下是完整的实现方案，核心是通过自定义损失层直接计算加权损失，同时利用双输入（带缺失值的输入+干净目标输入）来实现缺失位置的权重放大：

import tensorflow as tf
from tensorflow.keras.layers import Input, Masking, Conv1D, Conv1DTranspose, Layer
from tensorflow.keras.models import Model
import numpy as np

# 自定义加权损失层
class CustomLossLayer(Layer):
    def __init__(self, missing_weight, name="custom_loss"):
        super().__init__(name=name)
        self.missing_weight = float(missing_weight)

    def call(self, inputs):
        y_pred, x_missing, y_true = inputs
        # 定位缺失值位置（输入中标记为-999的区域）
        is_missing = tf.equal(x_missing, -999.)
        # 生成权重矩阵：缺失位置用指定权重，其他位置用1.0
        weights = tf.where(is_missing, self.missing_weight, 1.0)
        # 计算加权MSE损失
        weighted_loss = tf.reduce_mean(tf.square(y_true - y_pred) * weights)
        self.add_loss(weighted_loss)
        # 返回模型输出，用于预测或后续流程
        return y_pred

# 构建自编码器模型
input_size = 100  # 替换为你的输入维度

# 输入层：带缺失值的原始输入
x_missing_input = Input(shape=(input_size, 1), name="x_missing")
# 目标层：无缺失值的干净输入（作为训练标签）
y_true_input = Input(shape=(input_size, 1), name="y_true")

# 掩码层处理缺失值
masked_input = Masking(mask_value=-999.)(x_missing_input)

# CNN编码器示例（可根据你的需求调整结构）
encoder = Conv1D(32, 3, activation='relu', padding='same')(masked_input)
encoder = Conv1D(16, 3, activation='relu', padding='same', strides=2)(encoder)

# CNN解码器示例（与编码器对称）
decoder = Conv1DTranspose(16, 3, activation='relu', padding='same', strides=2)(encoder)
decoder = Conv1D(1, 3, activation='linear', padding='same')(decoder)

# 加入自定义损失层，传入模型输出、带缺失的输入、干净目标
model_output = CustomLossLayer(missing_weight=2.0)([decoder, x_missing_input, y_true_input])

# 定义完整模型
model = Model(inputs=[x_missing_input, y_true_input], outputs=model_output)
model.compile(optimizer='adam', loss=None)  # 损失已通过add_loss添加，无需指定

# 生成示例训练数据
x_clean = np.random.rand(1000, input_size, 1).astype(np.float32)
x_missing = x_clean.copy()
# 随机生成10%的缺失值
missing_mask = np.random.rand(*x_missing.shape) < 0.1
x_missing[missing_mask] = -999.

# 训练模型
model.fit([x_missing, x_clean], epochs=10, batch_size=32)

关键说明 #

1. 双输入设计：模型同时接收带缺失值的输入和干净的目标输入，这样损失层可以直接获取缺失位置信息和真实标签。
2. 加权损失计算：在损失层内通过tf.where生成权重矩阵，对缺失位置的误差乘以指定权重（示例中为2.0），放大这部分的损失权重，迫使模型更关注缺失值的预测。
3. 避免自定义训练循环：通过add_loss()将损失嵌入模型，无需手动编写训练循环，保持Keras原生训练流程的简洁性。

内容的提问来源于stack exchange，提问作者TeV