我想创建一个自定义的皮尔逊相关系数度量，如这里所定义

我不确定如何将其应用于y_pred和y_true的批次

我所做的：

def pearson_correlation_f(y_true, y_pred):    y_true,_ = tf.split(y_true[:,1:],2,axis=1)    y_pred, _ = tf.split(y_pred[:,1:], 2, axis=1)    fsp = y_pred - K.mean(y_pred,axis=-1,keepdims=True)    fst = y_true - K.mean(y_true,axis=-1, keepdims=True)    corr = K.mean((K.sum((fsp)*(fst),axis=-1))) / K.mean((      K.sqrt(K.sum(K.square(y_pred -       K.mean(y_pred,axis=-1,keepdims=True)),axis=-1) *       K.sum(K.square(y_true - K.mean(y_true,axis=-1,keepdims=True)),axis=-1))))return corr

我是否需要使用keepdims并手动处理批次维度，然后对其取平均值？还是Keras会自动处理这些？

回答：

当你使用K.mean而不指定轴时，Keras会自动计算整个批次的平均值。

后端已经有标准差函数，所以使用它们可能会更简洁（可能也更快）。

如果你的真实数据形状是(BatchSize,1)，我认为keep_dims是不必要的。否则我不确定，最好测试一下结果。

（我不明白你为什么使用split，但它似乎也是不必要的）。

所以，我会尝试这样做：

fsp = y_pred - K.mean(y_pred) #这里的K.mean是一个标量，它会自动从y_pred的所有元素中减去fst = y_true - K.mean(y_true)devP = K.std(y_pred)devT = K.std(y_true)return K.mean(fsp*fst)/(devP*devT)

如果需要针对每个特征计算损失，而不是将它们全部放在同一组中，这可能是相关的：

#原始形状：(batch, 10)fsp = y_pred - K.mean(y_pred,axis=0) #你对批次取平均，保持特征分开。   fst = y_true - K.mean(y_true,axis=0)     #平均值形状：(1,10)    #fst形状保持(batch,10)devP = K.std(y_pred,axis=0)  devt = K.std(y_true,axis=0)    #标准差形状：(1,10)return K.sum(K.mean(fsp*fst,axis=0)/(devP*devT))    #平均值形状：(1,10)，使表达式中的所有张量都为(1,10)。     #求和仅因为我们需要一个单一的损失值

对十个特征的结果求和或取平均是相同的，一个是另一个的十倍（这对Keras模型不是很重要，只影响学习率，但许多优化器很快就能找到解决方法）。