Keras自定义损失函数报错InvalidArgumentError：输入需为标量但形状为[64]

你遇到的报错核心是tf.cond仅支持标量布尔值作为判断条件，而你传入的判断条件是对应整批样本的布尔张量（shape为[64]，和你的batch size一致），不符合输入要求。前两次调用成功是eager模式下的测试调用，进入图模式执行训练时就会触发校验报错。

将损失函数中逐样本判断的逻辑从tf.cond替换为支持逐元素判断的tf.where，同时调整MSE损失的降维策略，适配逐样本加权的需求。

修改后的自定义损失函数 #

def custom_loss(y_true, y_pred):
    # 设置MSE不做全局降维，保留逐样本的损失值
    mse = tf.keras.losses.MeanSquaredError(reduction=tf.keras.losses.Reduction.NONE)
    penalty = 10

    # 逐样本判断真实值与预测值符号是否相反
    sign_opposite = tf.logical_or(
        tf.logical_and(tf.greater(y_true, 0.0), tf.less(y_pred, 0.0)),
        tf.logical_and(tf.less(y_true, 0.0), tf.greater(y_pred, 0.0))
    )
    # 符号相反样本应用高惩罚，其余应用低惩罚
    base_loss = mse(y_true, y_pred)
    loss = tf.where(sign_opposite, base_loss * penalty, base_loss * penalty / 4)

    # 逐样本判断预测值是否超出真实值幅值
    exceed_amplitude = tf.logical_or(
        tf.logical_and(tf.greater(y_true, 0.0), tf.greater(y_pred, y_true)),
        tf.logical_and(tf.less(y_true, 0.0), tf.less(y_pred, y_true))
    )
    # 超出幅值样本额外加惩罚
    loss = tf.where(exceed_amplitude, loss * penalty / 5, loss * penalty / 10)

    # 对整批损失求平均返回标量，适配模型训练要求
    return tf.reduce_mean(loss)

• 原代码中MODEL_NAME的f字符串缺少右括号，修正为：MODEL_NAME = f"MODEL 01-{str(int(time.time()))}"
• ModelCheckpoint的mode参数设置错误，你监控的是均方误差（值越小模型效果越好），需要将mode='max'修改为mode='min'，否则会错误保存误差更大的模型。

内容的提问来源于stack exchange，提问作者iKey