Keras LSTM中非对称MAE自定义损失函数实现（张量输入）

你这个非对称MAE的思路挺有意思——对预测右移（p>a）的情况根据真实值的变化趋势加罚，左移反而奖励对吧？不过原来的numpy写法没法直接用到Keras里，因为Keras损失函数接收的是TensorFlow张量，不能像numpy那样直接切片赋值，得用TF的张量操作来重构逻辑。

先拆解下你原来的numpy代码逻辑：

• 计算真实值序列的差分（a[1:] - a[:-1]），第一个元素设为0得到product
• 把product乘以-10，用真实值的上升/下降趋势来调整惩罚系数
• 计算预测与真实值的差delta，最终损失是|delta| + delta * product的平均值

下面是转换成TensorFlow张量操作的版本，完全适配Keras的损失函数要求：

import tensorflow as tf

def asymmetric_mae(y_true, y_pred):
    # 计算真实值的差分：对应原代码的product[1:] = a[1:] - a[:-1]
    diff_true = tf.slice(y_true, [1], [-1]) - tf.slice(y_true, [0], [-1])
    # 给差分序列补第一个0元素，对应原代码的product[0] = 0
    product = tf.concat([tf.zeros(shape=(1,)), diff_true], axis=0)
    # 调整惩罚系数，对应原代码的product = -product*10
    product = -product * 10
    
    # 计算预测与真实值的差值
    delta = y_pred - y_true
    # 计算非对称损失项
    loss = tf.abs(delta) + delta * product
    
    # 取平均损失，替代原代码的sum(delta)/len(delta)，适配张量批量处理
    return tf.reduce_mean(loss)

关键注意点： #

• 张量是不可变对象，不能像numpy数组那样直接切片赋值，所以用tf.slice做切片、tf.concat补0来构建product序列
• 用tf.reduce_mean计算平均损失更安全，尤其是处理批量时序数据（比如形状为(batch_size, timesteps)的输入）时，它会自动处理维度计算
• 如果你的输入是多特征时序数据（形状(batch_size, timesteps, features)），可以根据需求调整tf.reduce_mean的axis参数，比如axis=[1,2]来对每个样本的所有时序步和特征取平均

内容的提问来源于stack exchange，提问作者Doctor