TensorFlow中自定义损失函数如何引用模型输入与真实标签？

核心问题拆解 #

你需要在损失函数中同时使用模型预测值y_pred、真实标签y_true以及输入特征中的特定列，但当前写法存在三个关键问题：

• 用Python原生if语句处理张量，无法被TensorFlow自动求导机制追踪
• model.add_loss直接传入静态训练数据，未与模型计算图绑定
• 数据初始化代码有误（feature_df = np.array([600,9])无法生成(600,9)维度的数据集）

修正步骤与完整代码实现 #

1. 修正数据处理逻辑

生成符合维度要求的示例数据集，明确划分输入特征、标签、损失专用特征：

import tensorflow as tf
import numpy as np
from tensorflow.keras import layers
from tensorflow.keras.layers import Normalization

# 生成(600,9)的示例数据集
feature_df = np.random.randn(600, 9)

training, test = feature_df[:350,:], feature_df[350:,:]
x_train = training[:,[0,1,2,3,4,5,6]]  # 7个输入特征
y_train = training[:,8]  # 预测目标标签
loss_inp_train = training[:,6:7]  # 用于损失计算的特征（与x_train第6列一致）

x_test = test[:,[0,1,2,3,4,5,6]]
y_test = test[:,8]
loss_inp_test = test[:,6:7]

# 初始化归一化层
normalize = Normalization()
normalize.adapt(x_train)

2. 用TensorFlow张量操作重写损失函数

替换Python控制流为tf.where实现向量化条件判断，确保TensorFlow可自动求导：

def custom_loss(y_pred, y_true, inp):
    # 分支1：y_pred < inp时的损失计算
    case1 = tf.where(y_true < inp, 0.9, -1.0)
    # 分支2：y_pred >= inp时的损失计算
    case2 = tf.where(y_true > inp, 0.9, -1.0)
    # 合并分支结果
    loss = tf.where(y_pred < inp, case1, case2)
    # 取负转为最小化目标
    return -loss

3. 重构模型并绑定损失函数

通过多输入模型将y_true和损失专用特征传入计算图，用add_loss关联损失与模型：

# 定义主输入层（模型的输入特征）
input_layer = layers.Input(shape=(7,))
# 归一化处理
normalized = normalize(input_layer)
# 网络隐藏层
dense1 = layers.Dense(18, activation='relu')(normalized)
output = layers.Dense(1)(dense1)

# 定义标签输入和损失专用特征输入
y_true_input = layers.Input(shape=(1,))
loss_inp_input = layers.Input(shape=(1,))

# 计算损失并添加到模型
loss = custom_loss(output, y_true_input, loss_inp_input)
model = tf.keras.Model(
    inputs=[input_layer, y_true_input, loss_inp_input], 
    outputs=output
)
model.add_loss(loss)

# 编译模型（无需指定loss参数）
model.compile(optimizer=tf.optimizers.Adam())

4. 训练与预测

训练时传入三组输入，预测时仅需传入主输入特征：

# 训练模型
model.fit(
    [x_train, y_train.reshape(-1,1), loss_inp_train],
    epochs=10,
    batch_size=32
)

# 模型预测（后两个输入仅占位，不影响预测结果）
predictions = model.predict([
    x_test, 
    np.zeros_like(y_test.reshape(-1,1)), 
    np.zeros_like(loss_inp_test)
])

关键注意事项 #

• 必须使用TensorFlow原生张量操作（如tf.where、tf.math.greater）替代Python控制流，否则无法构建可求导的计算图
• 多输入模型是将标签和损失特征传入损失函数的标准方式，确保训练时动态获取对应数据
• add_loss会自动将损失纳入模型训练目标，无需在compile中指定loss参数

内容的提问来源于stack exchange，提问作者ProfQuack