TensorFlow2.7中使用Keras CosineSimilarity损失函数报错问题

错误原因 #

TF 2.7原生Keras.losses.CosineSimilarity内部计算时会引入浮点型epsilon（默认值1e-12），当你的标签数据为int64类型时，执行Maximum操作会触发类型不匹配——该操作期望输入为int64，但epsilon是浮点型，导致报错。

解决方案 #

方案1：自定义余弦相似度损失，统一数据类型 #

手动实现损失函数，先将标签转换为浮点型再计算，避免类型冲突：

import tensorflow as tf
from tensorflow.keras import losses

class CustomCosineSimilarity(losses.Loss):
    def __init__(self, axis=-1, epsilon=1e-12, name="cosine_similarity"):
        super().__init__(name=name)
        self.axis = axis
        self.epsilon = epsilon

    def call(self, y_true, y_pred):
        # 将int64标签转换为float32
        y_true = tf.cast(y_true, tf.float32)
        # 归一化计算余弦相似度
        y_true = tf.linalg.l2_normalize(y_true, axis=self.axis)
        y_pred = tf.linalg.l2_normalize(y_pred, axis=self.axis)
        cosine_similarity = tf.reduce_sum(y_true * y_pred, axis=self.axis)
        # 返回1 - 余弦相似度作为损失（和原生实现逻辑一致）
        return 1 - cosine_similarity

替换原损失函数，同时修正指标实例化的错误：

model.compile(
    optimizer=optimizers.Adam(learning_rate=0.001),
    loss=CustomCosineSimilarity(),
    metrics=[Precision()],  # 需传入Precision实例，而非类
)

方案2：修改数据生成器的标签类型 #

直接在train_gen和val_gen中将输出的标签转换为float32类型，比如在生成器的返回逻辑中添加：

# 假设生成器返回(x, y)，修改为：
return x, tf.cast(y, tf.float32)

额外注意点 #

• 原代码中EarlyStopping监控的val_F1，当前指标列表中仅包含Precision，需确认是否已自定义F1指标，否则会触发监控指标不存在的错误。

内容的提问来源于stack exchange，提问作者Muhammad Ezzat