Keras自定义损失函数多轮报错：张量转NumPy、None值、形状不匹配

报错1：Cannot convert a symbolic Tensor (2nd_target:0) to a NumPy array #

触发原因 #

Keras训练阶段基于TensorFlow静态计算图执行，所有计算逻辑必须使用TensorFlow原生算子实现。代码中使用了Numpy的np.log函数进行对数计算，Numpy仅支持处理实值数组，无法识别计算图中的符号张量，因此触发类型转换失败报错。

修复方案 #

将所有Numpy算子替换为对应TensorFlow算子，对数计算替换为tf.math.log即可解决该类问题。

报错2：ValueError: None values not supported #

触发原因 #

存在两类常见触发场景：

1. 对数计算输入为0时，tf.math.log(0)会返回-inf，后续梯度计算过程中无穷值会被转换为None，在张量转换步骤触发该报错；
2. 传入的超参数q_k未被正确转换为TensorFlow张量，或q_k本身为空值，也会导致计算过程中出现None值。

修复方案 #

• 为对数输入添加极小平滑项，避免出现0值或负数：tf.math.log(y_pred + q_k + 1e-8)，防止生成无穷值；
• 损失函数入口处提前将q_k转换为指定类型的张量：q_k = tf.cast(q_k, dtype=tf.float32)；
• 校验模型输出y_pred的值域合法性，若为概率输出需确认经过sigmoid/softmax激活，不会出现负数。

报错3：InvalidArgumentError: required broadcastable shapes #

触发原因 #

参与计算的张量形状不匹配，无法满足TensorFlow广播规则：

1. 标签y_true与模型输出y_pred形状不一致，常见场景为标签维度为(batch_size, 1)、模型输出维度为(batch_size,)，或多分类任务下标签为稀疏编码、模型输出为独热编码维度；
2. 超参数q_k的形状与y_pred不匹配，相加时无法广播。

修复方案 #

• 打印y_true.shape与y_pred.shape确认形状差异，通过tf.reshape统一二者形状，示例：y_true = tf.reshape(y_true, shape=tf.shape(y_pred))；
• 多分类场景下若使用稀疏标签，需提前转换为独热编码：y_true = tf.one_hot(tf.cast(y_true, tf.int32), depth=类别数)；
• 校验q_k形状，确保为标量或与y_pred最后维度匹配的张量，满足广播规则。

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