TensorFlow/Keras自定义损失函数引用输入张量报错如何解决？

错误原因 #

报错的核心原因是直接将符号化的输入张量作为参数传入损失函数时，Keras构建计算图过程中无法正确处理跨作用域的符号张量引用，TF2.x函数式API执行逻辑下，这种传参方式会被判定为尝试将符号张量转为实际数值的非法操作。 #

可行解决方案 #

方案1：使用add_loss方法（推荐） #

兼容性最好，不需要修改训练阶段的数据喂入逻辑：

import tensorflow.keras.backend as K
from tensorflow.keras.layers import Input
from tensorflow.keras.models import Model

# 原有模型构建逻辑
inp_1 = Input(shape=(你的输入维度,))
x = 你的模型层运算逻辑(inp_1)
model = Model(inp_1, x)

# 定义损失函数
def custom_loss(y_true, y_pred, inp):
    b = K.mean(inp)
    return K.mean(y_true - b) # 补充均值运算保证损失输出为标量，可根据实际需求调整

# 给模型添加损失
model.add_loss(custom_loss(model.targets[0], model.output, inp_1))
# 编译时无需重复传loss参数
model.compile(optimizer='adam')

方案2：将输入作为模型额外输出 #

修改模型输出结构，训练时拼接标签和输入作为真值喂入即可：

import numpy as np
import tensorflow.keras.backend as K
from tensorflow.keras.layers import Input
from tensorflow.keras.models import Model

# 定义损失函数
def custom_loss(y_true, y_pred):
    # 拆分真值中的标签和原始输入，维度根据实际业务调整
    true_label = y_true[:, :1] 
    inp_1 = y_true[:, 1:]
    b = K.mean(inp_1)
    return K.mean(true_label - b)

# 构建模型时同时输出输入张量
model = Model(inp_1, [x, inp_1])
model.compile(loss=custom_loss, optimizer='adam')

# 训练时拼接标签和输入
# 示例中x_train为训练输入，y_train为训练标签
combined_y = np.concatenate([y_train, x_train], axis=1)
model.fit(x_train, combined_y, epochs=10, batch_size=32)

注意事项 #

• 损失函数内部所有运算必须使用Keras后端接口K.xxx或者TensorFlow原生运算接口，禁止使用Numpy函数处理张量，否则会触发同类报错。
• 损失函数最终必须返回标量值，需确保输出维度匹配避免后续训练报错。

内容的提问来源于stack exchange，提问作者john