Keras+TensorFlow自定义激活函数报错：Tensor不能作为Python布尔值

你遇到的问题核心在于：Keras/TensorFlow中的张量是符号化对象，不能直接用Python的if/else进行条件判断——Python的条件语句需要立即得到布尔值，但张量在计算图构建阶段还没有具体数值，所以会抛出TypeError: Using a tf.Tensor as a Python bool is not allowed的错误。

要解决这个问题，你需要使用TensorFlow/Keras提供的向量化条件操作，也就是K.where()（对应TensorFlow的tf.where()），它可以对张量中的每个元素根据条件选择对应分支的结果。

下面是修改后的可用代码：

from keras import backend as K
from keras.layers import Activation
from keras.utils.generic_utils import get_custom_objects

def newactivation(x):
    # 用K.where替换Python的if/else，实现元素级的条件判断
    return K.where(
        x > 0,  # 条件：每个元素是否大于0
        K.relu(x, alpha=0, max_value=None),  # 满足条件时返回relu结果
        x * K.sigmoid(0.7 * x)  # 不满足条件时返回x*sigmoid(0.7x)
    )

# 注册自定义激活函数
get_custom_objects().update({'newactivation': Activation(newactivation)})

关键细节说明： #

• K.where(condition, true_fn, false_fn)会逐个检查张量x的每个元素：如果满足x>0，就取true_fn对应位置的结果，否则取false_fn的结果，完全符合你原本的逻辑。
• 所有操作都是向量化的，不需要手动遍历元素，效率远高于Python循环，也符合TensorFlow的计算图机制。

测试验证（可选） #

你可以用一个简单模型测试这个激活函数是否正常工作：

from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(32, input_shape=(10,), activation='newactivation'))
model.compile(optimizer='adam', loss='mse')

# 生成测试数据
import numpy as np
x_test = np.random.randn(100, 10)
y_pred = model.predict(x_test)
print(y_pred.shape)  # 输出(100,32)，说明激活函数正常运行

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