TensorFlow自定义损失函数运行报“No gradients provided”错误求助

代码中存在的核心问题 #

• 自定义损失函数不符合Keras框架的接口约定
  Keras框架要求所有传入compile的损失函数，必须固定接收y_true（真实标签张量）、y_pred（模型输出预测张量）两个输入参数。你当前实现的嵌套损失函数仅接收y_pred单参数，框架在反向传播阶段无法正确将损失计算链路和模型可训练参数绑定，直接打断梯度传导链路。
• 损失计算逻辑完全脱离TensorFlow自动求导图
  损失函数内部直接使用传入的纯numpy数组pay做切片计算，所有基于numpy的张量操作都不会被TensorFlow的梯度追踪机制识别为计算图的一部分，相当于损失计算过程变成了无梯度的封闭黑盒，自然无法为模型内的Dense、BatchNormalization等层的可训练参数回传梯度。
• 调用model.fit时漏传标签参数
  你当前的fit调用仅传入了特征矩阵X，未按照Keras接口要求传入与样本数匹配的标签张量y，框架在计算阶段找不到对应张量链路，进一步放大了梯度缺失的问题。

修正方案 #

1. 训练前将numpy格式的pay数组转换为TensorFlow张量，接入自动求导图
2. 调整自定义损失函数的签名，适配Keras要求的(y_true, y_pred)入参格式（因为你的损失计算逻辑不依赖真实标签，y_true仅作占位参数即可）
3. 调用fit时补全占位的标签张量——因为损失逻辑不需要真实标签，直接生成和样本数匹配的全0张量传入即可

修正后的核心代码片段：

import tensorflow as tf
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, BatchNormalization, Activation
from tensorflow import keras

def customLoss(pay_tensor, n, tau):
    # 固定为Keras要求的双参数签名，y_true作为占位入参
    def loss(y_true, y_pred):
        pay_n = pay_tensor[:, n]
        pay_tau = pay_tensor[tf.range(tf.shape(pay_tensor)[0]), tau]
        return tf.math.reduce_mean(-pay_n * y_pred - pay_tau * (1 - y_pred))
    return loss

def make_model(pay, n, tau):
    # 先把numpy的pay转成tf张量接入计算图
    pay_tensor = tf.constant(pay, dtype=tf.float32)
    model = Sequential()    
    model.add(Dense(140,kernel_initializer='glorot_normal' ))
    model.add( BatchNormalization())
    model.add(Activation("relu"))  
    model.add(Dense(140,kernel_initializer='glorot_normal' ))
    model.add( BatchNormalization())
    model.add(Activation("relu"))   
    model.add(Dense(1 ,kernel_initializer='glorot_normal' ))
    # 注：原代码在sigmoid前加BN易引发训练不稳定，可根据实际训练效果选择是否移除
    model.add( BatchNormalization())
    model.add(Activation("sigmoid"))
    model.compile(loss=customLoss(pay_tensor, n, tau), 
                  optimizer= keras.optimizers.Adam(learning_rate=0.01))
    return model

X = np.random.rand(1000, 10) # 示例特征 shape (M, N)
pay = np.random.rand(1000, 5) # 示例pay矩阵 shape (M, N)
model = make_model(pay, 1, 2)
# 补全fit需要的y占位参数，和样本数匹配即可
y_placeholder = np.zeros((len(X), 1))
model.fit(X, y_placeholder, epochs=2, batch_size=10, verbose=1)

额外优化提示 #

• 网络最后一层的Sigmoid激活前添加BatchNormalization层，容易把激活值拉到饱和区间导致梯度消失，建议根据实际收敛效果选择移除
• 损失计算中如果pay在训练过程中是固定不变的，可以提前转成常量张量，不需要在每步计算时重复转换

内容的提问来源于stack exchange，提问作者G-09