Keras自定义相对均方根误差损失函数类型不匹配报错如何解决

报错信息：TypeError: Input 'y' of 'Sub' Op has type uint8 that does not match type float32 of argument 'x'

该报错核心原因是张量运算类型不匹配：Keras模型输出的预测值y_pred默认是float32类型，而你传入的真实标签y_train、验证集标签为uint8类型（多为未做类型转换的原始数据常见类型），减法运算要求运算符两边数据类型一致，因此触发错误。

你可以按以下步骤修复：

• 第一步：修正标签数据类型与验证集配置错误
  你当前验证集的标签参数填写错误，不应该传入预测值y_predict，需替换为测试集真实标签y_test，同时将所有标签统一转换为float32类型：

# 转换标签类型
y_train = y_train.astype("float32")
y_test = y_test.astype("float32")

# 修正后的训练代码，验证集标签替换为真实值y_test
model_history = model.fit(
    x=[l_train, s_train,w_train], y=y_train,
    validation_data=([l_test, s_test , w_test], y_test),
    epochs=500, batch_size=10, verbose=1)

• 第二步：优化自定义损失函数，彻底避免类型问题
  你当前损失函数中的变量n如果未提前定义为全局变量也会触发报错，且分子分母的n可以直接约掉，同时可以在损失函数内部主动做类型转换，避免后续再出现同类问题：

def relative_root_mean_squared_error(y_true, y_pred):
    # 主动将y_true转换为和y_pred一致的类型
    y_true = K.cast(y_true, K.dtype(y_pred))
    # 约掉分子分母的n，简化计算公式
    return K.sqrt(K.mean(K.square(y_pred - y_true))) / K.mean(y_true) * 100

• 可选优化点
  你当前是回归任务，metrics选择accuracy没有实际意义，准确率是分类任务的评估指标，可以替换为回归常用的评估指标：

model.compile(optimizer = "adam", loss = relative_root_mean_squared_error, 
          metrics =["mae", "mse"])

内容的提问来源于stack exchange，提问作者mobbbbbbbi