Keras自定义损失函数中如何访问训练阶段各预测结果的置信度

完全可以实现，不存在框架层面的硬性阻碍，核心原则是所有参与损失计算的变量必须处于同一个动态计算图中，且和当前训练batch的样本严格对齐，常用的实现路径有三类：

方法1：将置信度直接纳入模型输出张量（最推荐） #

这是效率最高、数据错位风险最低的实现方式。你不需要修改Keras对损失函数要求的(y_true, y_pred)固定入参规则，只需要调整模型的输出头结构，让模型在前向传播时同时输出预测值、对应预测的置信度两个分支，二者拼接为统一的输出张量传入损失函数，在损失内部做张量切分即可。
示例代码逻辑：

def custom_loss(y_true, y_pred):
    # 按输出维度拆分张量：前N列是目标预测值，最后1列是对应样本的预测置信度（取值范围0-1）
    pred_part = y_pred[:, :-1]
    conf_part = y_pred[:, -1]
    # 将置信度纳入损失计算，例如对高置信度样本的损失做加权
    base_loss = tf.reduce_mean(tf.square(pred_part - y_true), axis=-1)
    weighted_loss = tf.reduce_mean(conf_part * base_loss)
    return weighted_loss

这种方式下置信度是和预测值同步计算出来的，全程在自动微分的计算图内，不需要额外同步数据，不会出现批次错位、梯度追踪丢失的问题。

方法2：通过外层闭包封装传入批次对齐的置信度张量 #

如果你的置信度需要在损失计算前单独推导（比如来自外挂的不确定性估计模块、离线校准模块），完全可以通过外层封装的方式传参，但要避开“提前把全量置信度静态传入”的常见坑——这类写法会让模型在训练时每个batch的损失都拿全量数据集的置信度做计算，出现严重的样本错位。
正确的实现是通过闭包传入和当前训练batch一一对应的置信度张量，确保该张量的批次维度和y_true、y_pred完全一致，避免样本错位：

def build_loss_with_conf(conf_per_batch):
    # 内层损失函数保持Keras要求的(y_true, y_pred)固定入参格式
    def inner_loss(y_true, y_pred):
        base_loss = tf.keras.losses.categorical_crossentropy(y_true, y_pred)
        # 用传入的置信度调整损失权重
        return tf.reduce_mean(conf_per_batch * base_loss)
    return inner_loss

如果是使用tf.data构建训练流水线，可以把置信度和输入特征、标签打包成同一个Dataset元组，从数据源层面保证批次对齐，不需要在训练循环里手动维护值的同步。

方法3：直接从现有y_pred中推导置信度 #

如果你的任务场景里置信度本身就是预测结果的派生值，完全不需要额外获取外部数据，直接在损失函数内部计算即可。比如分类任务中常用的“softmax输出的最大类别概率”就是工业界最通用的预测置信度指标，直接在损失内部做运算就行，不需要额外从模型的其他环节取值：

def loss_with_self_derived_conf(y_true, y_pred):
    # 从原始logit推导每个样本的预测置信度
    softmax_out = tf.nn.softmax(y_pred, axis=-1)
    sample_conf = tf.reduce_max(softmax_out, axis=-1)
    # 对低置信度样本做损失加权，比如实现置信度正则
    ce_loss = tf.keras.losses.categorical_crossentropy(y_true, y_pred)
    regularized_loss = ce_loss + 0.1 * tf.reduce_mean(tf.square(sample_conf - 0.7))
    return regularized_loss

注意：不推荐通过Keras回调、全局变量等方式在训练流程中单独采集置信度再传入损失，这类方式通常会因为计算图执行时机的差异，出现梯度追踪丢失、批次样本错位的问题，调试成本极高，属于高风险实现方案。

内容的提问来源于stack exchange，提问作者user1092289