如何在Keras中实现特定逻辑的自定义损失函数并获取结果？

你提到的这个分段式误差计算逻辑，在Keras里需要用张量操作实现（不能用Python原生的if-else循环，因为要处理批量数据），同时还要注意避免除以零的问题。下面一步步帮你完成实现，以及如何获取计算结果：

一、实现自定义函数（损失/指标通用） #

我们用Keras的Backend（通常别名K）来实现向量化的分段逻辑，同时加入极小值1e-7防止除零错误：

import keras.backend as K

def custom_loss(y_true, y_pred):
    # 加入1e-7避免除以0的情况
    aux = K.abs(y_true - y_pred) / (y_pred + 1e-7)
    
    # 用K.where实现分段赋值：从最严格的条件到最宽松的条件依次替换
    # 先初始化所有误差为最大值2000
    errors = K.ones_like(aux) * 2000
    # 替换aux<=0.2的样本误差为5
    errors = K.where(aux <= 0.2, K.ones_like(aux)*5, errors)
    # 替换aux<=0.15的样本误差为5/3
    errors = K.where(aux <= 0.15, K.ones_like(aux)*(5/3), errors)
    # 替换aux<=0.1的样本误差为0
    errors = K.where(aux <= 0.1, K.zeros_like(aux), errors)
    
    # 对每个样本的误差求和（如果需要平均可以用K.mean）
    return K.sum(errors, axis=1)

如果是作为指标函数，逻辑完全一致，只需把函数名改成custom_metric即可——Keras的损失和指标在张量操作层面是兼容的，区别仅在于损失用于模型优化，指标用于训练过程监控。

二、在Keras模型中使用该函数 #

1. 作为损失函数 #

编译模型时直接指定：

model.compile(optimizer='adam', loss=custom_loss)

2. 作为监控指标 #

如果想同时监控这个指标（比如和MSE一起），编译时加入metrics参数：

model.compile(optimizer='adam', loss='mse', metrics=[custom_loss])

三、获取自定义函数的计算结果 #

1. 训练/验证时实时查看 #

用model.fit()训练时，控制台会输出每个epoch的指标结果，只要你把它加入了metrics参数，就能直接看到。

2. 用model.evaluate()获取批量结果 #

对测试集计算时：

test_loss, test_custom_metric = model.evaluate(x_test, y_test)
print(f"自定义指标计算结果：{test_custom_metric}")

3. 手动计算单批/单个样本的结果 #

如果想单独计算某一批数据的误差，可以直接调用函数：

import numpy as np

# 示例真实值和预测值
y_true = np.array([10, 12, 15])
y_pred = np.array([9.5, 13.8, 18])

# 转换为Keras张量并计算
result = K.eval(custom_loss(K.constant(y_true), K.constant(y_pred)))
print(f"误差总和：{result}")

注意事项 #

• 必须处理y_pred为0的情况：加入1e-7是为了避免除以零导致的NaN，这在回归任务中尤为重要。
• 如果你的模型输出可能为负数，需要重新审视aux的计算逻辑（你的伪代码里aux是绝对值除以prediction，默认prediction为正数，比如销量、价格这类回归场景）。

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