如何解决Keras自定义损失函数训练时无法打印信息的问题？

这个问题我之前也碰到过，其实核心原因是TensorFlow的计算图执行模式在起作用：

当你编译模型时，Keras会把自定义损失函数转换成TensorFlow计算图的一部分，这时候Python原生的print()语句只会在构建计算图的阶段（也就是编译时）执行一次。而训练过程中，模型是在计算图上执行的，不会触发Python层面的print操作。

下面给你两个可行的解决办法：

1. 使用TensorFlow原生的tf.print()（推荐） #

tf.print()是专门为计算图设计的打印操作，它会被嵌入到计算图节点中，训练时每次执行损失函数都会触发打印。修改你的损失函数如下：

import tensorflow as tf

def loss_yolo(self, y_true, y_pred):
    # 打印固定字符串，也可以打印张量信息
    tf.print('inside loss function...')
    # 如果需要查看张量的形状或数值，直接传入张量即可
    tf.print('y_true shape:', tf.shape(y_true), 'y_pred shape:', tf.shape(y_pred))
    
    # 这里必须补充你的损失计算逻辑，返回一个有效的损失张量
    # 示例：简单的均方误差（替换成你实际的YOLO损失计算）
    loss = tf.reduce_mean(tf.square(y_true - y_pred))
    return loss

注意：自定义损失函数必须返回一个标量损失张量（或者批量的损失张量），否则模型训练会报错，你之前的代码里缺少返回值，这一点也要补上哦。

2. 强制使用Eager Execution模式 #

如果你只是想调试，也可以强制让模型在Eager模式下运行，这样Python的print()就能正常工作。不过这种方式会牺牲一部分训练效率，不推荐在正式训练时使用：

# 在代码开头开启Eager模式（TensorFlow 2.x默认已经开启，但可以显式指定）
tf.config.run_functions_eagerly(True)

# 之后再定义模型、编译、训练
# ...

内容的提问来源于stack exchange，提问作者Shiro