如何解决Keras自定义损失函数中Cannot convert a symbolic Tensor报错

问题根因 #

• StandardScaler.inverse_transform是面向numpy数组实现的方法，无法处理Keras损失函数运行时传入的符号张量（损失函数在计算图构建阶段就会被调用，此时传入的y_true/y_pred没有实际数值，仅为占位张量对象），因此触发第一个报错。
• Keras张量没有原生numpy风格的.reshape实例方法，直接调用会触发第二个报错。

可行解决方案 #

直接用张量操作实现逆标准化逻辑，不需要调用sklearn的方法。StandardScaler的逆变换公式为：原始值 = 标准化值 * 标准差 + 均值，我们提前取出scaler拟合得到的均值、标准差参数，在损失函数里用Keras后端API完成计算即可。

修改后的代码如下：

from keras import backend as k

# 提前从拟合好的scaler中取出统计参数，两个都是固定数值常量
lab_mean = lab_scaler2.mean_[0]
lab_std = lab_scaler2.scale_[0]

def root_mean_squared_error(y_true, y_pred):
    # 张量操作实现逆标准化，完全适配Keras计算图
    y_true_original = y_true * lab_std + lab_mean
    y_pred_original = y_pred * lab_std + lab_mean
    # 如需调整形状使用k.reshape，不要用numpy风格的.reshape方法
    # 示例：y_pred_original = k.reshape(y_pred_original, (-1, 1))
    return k.sqrt(k.mean(k.square(y_pred_original - y_true_original)))

补充优化建议 #

如果仅需要在最终评估阶段得到原始尺度的RMSE指标，不需要用原始尺度做损失优化的话，更推荐训练时直接用标准化后的标签计算普通RMSE损失，训练完成后对预测结果执行inverse_transform再算指标，训练效率会更高。

内容的提问来源于stack exchange，提问作者Darkstar Dream