自定义Keras损失函数中使用模型报错：Tensor无ndim属性

你遇到的这个问题其实很常见——model.predict()是给推断阶段设计的，它只认numpy数组，但自定义损失函数里的y_true和y_pred都是TensorFlow的Tensor，属于计算图的一部分，自然会触发ndim相关的报错。下面给你几个可行的解决思路：

1. 直接调用模型（最简便的方法） #

Keras模型本身就支持接收Tensor输入，完全不用依赖predict()，直接用模型的调用方法（也就是__call__）就行，这样整个操作会被纳入TensorFlow的计算图，完美支持自动微分。

举个具体的例子：

import tensorflow as tf

# 假设你的模型e已经定义并训练完成
e = tf.keras.models.load_model('your_trained_model.h5')
# 关键：如果不想在训练主模型时更新e的权重，一定要设置这个
e.trainable = False

def custom_loss(y_true, y_pred):
    # 直接用模型处理Tensor输入
    output_from_true = e(y_true)
    output_from_pred = e(y_pred)
    # 这里可以换成你需要的损失计算逻辑，比如MSE
    return tf.keras.losses.mean_squared_error(output_from_true, output_from_pred)

2. 提取指定层的输出（如果不需要整个模型的输出） #

如果你只需要模型e中某一层的结果，不用跑完整的前向传播，可以创建一个子模型来复用目标层的权重：

比如你的模型e有个名为feature_extractor的特征提取层，你想获取它的输出：

# 创建子模型，输入和原模型一致，输出到目标层
feature_model = tf.keras.Model(inputs=e.input, outputs=e.get_layer('feature_extractor').output)
feature_model.trainable = False

def custom_loss(y_true, y_pred):
    features_true = feature_model(y_true)
    features_pred = feature_model(y_pred)
    # 计算特征之间的损失，比如余弦相似度损失
    return 1 - tf.keras.losses.cosine_similarity(features_true, features_pred)

3. 关键注意事项 #

• 务必设置复用模型的trainable=False，否则训练主模型时，复用模型的权重会被意外更新，破坏你原本的模型效果。
• 检查y_true和y_pred的形状是否和复用模型的输入形状匹配，形状不兼容会触发另一种常见的报错。
• 自定义损失函数的返回值必须是一个标量Tensor，或者每个样本的损失值组成的Tensor（Keras会自动处理均值计算）。

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