我来帮你搞定这个最大化二元交叉熵的问题——你的两个尝试都踩了Keras/TensorFlow符号计算的核心坑，咱们一步步拆解修复：

先说说你之前的问题出在哪 #

1. 直接对字符串损失乘-1的错误
   Keras的loss参数传字符串（比如'binary_crossentropy'）时，这只是内置损失函数的标识符，不是可计算的张量，所以你没法直接对它做算术操作（比如乘-1），Keras根本识别不了这种写法，自然会报"没有损失可优化"的错误。

2. 自定义损失的错误
   你写的自定义损失用了Python循环、len()、numpy和math的函数——这些都是针对普通Python对象/数组的操作，但Keras损失函数需要处理符号张量（TF1.x里的tf.Tensor），必须用Keras后端的符号操作，不能用非符号的逐元素循环或计算。比如len(y_pred)在图构建时是无效的，因为符号张量的形状在运行前是动态的。

可行的解决方案（适配你的Python3.6/TF1.15/Keras2.3.1环境） #

方案1：基于内置损失函数取负（最简单推荐）

直接调用Keras内置的二元交叉熵函数，对其输出取负即可实现最大化：

import keras.backend as K
from keras.optimizers import Adam

def max_bce(y_true, y_pred):
    # 调用后端的二元交叉熵函数，取负实现最大化
    return -K.binary_crossentropy(y_true, y_pred)

# 编译模型时使用这个自定义损失
model.compile(loss=max_bce, optimizer=Adam())

如果你更喜欢用损失类的写法（更清晰）：

from keras.optimizers import Adam
from keras.losses import BinaryCrossentropy

# 初始化内置BCE损失类（from_logits=False对应你的Sigmoid输出层）
bce_loss = BinaryCrossentropy(from_logits=False)

def max_bce(y_true, y_pred):
    return -bce_loss(y_true, y_pred)

model.compile(loss=max_bce, optimizer=Adam())

方案2：手动实现符号化的最大化二元交叉熵

如果你想自己写完整逻辑，必须完全用Keras后端的符号操作，避免任何Python循环或numpy调用：

import keras.backend as K
from keras.optimizers import Adam

def max_binary_crossentropy(y_true, y_pred):
    # 裁剪预测值到[epsilon, 1-epsilon]，避免log(0)的数值问题
    y_pred = K.clip(y_pred, K.epsilon(), 1 - K.epsilon())
    # 计算标准BCE公式，然后取负（最大化等价于最小化负BCE）
    bce = y_true * K.log(y_pred) + (1 - y_true) * K.log(1 - y_pred)
    # 对批量和特征维度取均值，再取负
    return -K.mean(bce, axis=-1)

model.compile(loss=max_binary_crossentropy, optimizer=Adam())

为什么这些方案能工作？ #

• 所有操作都是符号张量操作，Keras/TensorFlow可以正常构建计算图并自动求导；
• 用K.clip替代了你手动的min/max，用K.mean替代numpy.mean，用K.log替代math.log，完全适配符号张量的动态特性；
• 不需要循环，因为Keras后端的函数都是批量广播处理的，自动覆盖整个输入维度。

内容的提问来源于stack exchange，提问作者Moran Reznik