实现Keras自定义损失访问输入功能时报符号转NumPy的TypeError错误

核心报错根因 #

出现这个TypeError的本质是新版Keras（与TensorFlow深度集成后的版本）的计算图追踪逻辑，和闭包传入输入张量的旧实现方案不兼容，具体触发逻辑可以拆解为两点：

• 你在构建网络时拿到的input_tensor是静态计算图上的符号占位符，本身不存储实际训练批次的数值。老版本Keras（2.x 早期）在编译损失函数时，会自动把闭包引用的这个占位符绑定到模型的真实输入流，训练时可以顺着计算图把当前批次的输入值传入损失计算分支。
• 新版Keras的Functional API调整了计算图的追踪规则：只会把从显式定义的Input层到模型最终输出的主路径上的张量，纳入可执行的计算图上下文。你通过闭包把input_tensor塞进损失函数的写法，没有把这个张量显式注册为损失计算分支的关联输入，相当于损失计算分支上接了一个“脱钩”的符号引用。框架在训练环节走到这个引用位置时，找不到对应的真实数据流，会默认你在尝试对纯符号值执行numpy数组操作，既无法匹配当前批次的输入数值，也无法自动把这个符号引用转成可计算的张量节点，最终抛出无法转换符号值为numpy数组的错误。

对应问题代码的逻辑断层 #

你给出的实现中，custom_loss_wrapper通过闭包捕获input_tensor的写法，在旧版本Keras中可以正常运行，但在新版本中存在明确的可执行性问题：

• 编译阶段模型只把主输出分支的计算流纳入了图结构，损失函数里引用的input_tensor没有被标记为损失计算的关联输入，框架不会为这个引用预留对应的数值通道。
• 当损失计算执行到K.mean(input_tensor)这一步时，框架发现这个引用没有绑定当前执行上下文的张量数值，会尝试将其转换为numpy数组读取真实值——但符号占位符本身没有存储实际训练数据的能力，直接触发类型校验报错。

补充说明：旧方案可运行的核心是早期Keras采用全局共享计算图，任意位置定义的输入张量都可被所有计算分支引用；新版Keras为支持多模型组合、动态图执行特性，收紧了张量作用域规则，非主路径显式关联的张量不会被自动纳入损失计算的上下文。

内容的提问来源于stack exchange，提问作者Matt