Keras实现含负整数的图像回归时出现No gradients报错如何解决

你遇到的梯度报错核心是keras.backend.round属于离散阶跃函数，导数几乎处处为0，加入模型计算图参与训练时，反向传播过程中梯度会被完全截断，框架找不到可用于更新网络参数的梯度，自然抛出ValueError: No gradients provided for any variable报错。
而你之前泊松损失输出nan的原因也很明确：泊松分布的定义域为≥0的非负整数，原生泊松损失天然不支持负标签输入，强行传入负值标签就会出现计算溢出得到nan。

1. 取整逻辑的调整 #

直接移除训练计算图中的Lambda取整层，仅在推理预测阶段对模型输出的连续浮点数做后处理取整即可，不要让取整操作参与梯度计算，从根源避开梯度截断问题。

2. 正负整数回归的适配方案 #

泊松损失修改方案 #

如果要沿用泊松类计数回归的思路，可以对标签做平移预处理：

1. 统计数据集所有标签的最小值min_y，计算偏移量offset = abs(min_y) + 1
2. 训练阶段把所有标签统一加offset，平移到≥1的正整数区间，即可正常使用泊松损失训练
3. 推理阶段把模型输出的预测值减去offset，即可还原得到原本的正负整数结果

其他可选方案 #

• 有序分类方案：如果你的整数预测取值范围是有限的（比如区间为-10~10），可以把回归任务转换为有序分类任务，使用有序交叉熵损失训练，天生输出离散整数结果，不需要额外取整，预测准确率通常高于回归+后处理的方案。
• 连续回归+后处理方案：如果取值范围较大，不想做标签平移或者分类，直接用MAE（平均绝对误差）或者MSE（均方误差）作为损失函数训练浮点数回归模型即可，这两类损失对正负值完全适配，不会出现nan问题，推理阶段对输出浮点数取整就能得到整数结果。

内容的提问来源于stack exchange，提问作者jr123456jr987654321