TensorFlow实现MASE作为Keras指标的张量切片正确性咨询

嘿，先给你吃个定心丸：你代码里sust的张量切片完全正确！

MASE的核心逻辑就是用真实序列的一步滞后差分的平均绝对误差作为基准误差，你的y_true[:,1:] - y_true[:,:-1]正好实现了对每个样本的序列，取从第2个时间步到最后一步的值，减去从第1步到倒数第二步的值，完美对应“每个时刻与前一时刻的差值”这一计算逻辑，之后用tf.reduce_mean求平均也完全符合基准误差的定义。

不过作为Keras可直接使用的指标，还有两个小细节可以优化，避免踩坑：

• 避免除以零：如果你的真实序列是完全平稳的（所有时间步的值都相同），那sust会等于0，直接做除法会触发NaN错误，需要加一个极小值（epsilon）来兜底；
• 多维度序列适配：如果你的任务是多变量时序预测（每个样本包含多个特征序列），最好指定axis=-1让计算沿着序列维度进行，保证每个特征单独计算MASE。

优化后的完整实现代码如下：

import tensorflow as tf
from tensorflow.keras import backend as K

def mase(y_true, y_pred):
    # 计算基准误差：真实序列的一步差分平均绝对误差
    sust = tf.reduce_mean(tf.abs(y_true[:, 1:] - y_true[:, :-1]), axis=-1)
    # 计算预测值与真实值的平均绝对误差
    diff = tf.reduce_mean(tf.abs(y_pred - y_true), axis=-1)
    # 用epsilon避免除以零，同时保留MASE的原始逻辑
    return diff / tf.maximum(sust, K.epsilon())

你可以直接把这个函数作为指标传入Keras模型的编译环节：

model.compile(optimizer='adam', loss='mean_squared_error', metrics=[mase])

内容的提问来源于stack exchange，提问作者Felipe Higuera