我在使用Keras训练神经网络，并且使用自定义的度量函数作为损失函数。这样做的原因是测试集中的实际值包含大量NaN值。让我举个测试集中实际值的例子：

12NaNNaNNaN8NaNNaN3

在数据预处理过程中，我将所有NaN值替换为零，因此上面的例子在每个NaN位置都包含零。

神经网络产生的输出如下：

1412998763

我只想计算非零值之间的均方根误差。因此，对于上面的例子，它应该只计算第1、5和8行的RMSE。为此，我创建了以下函数：

from sklearn.metrics import mean_squared_errorfrom math import sqrt[...]def evaluation_metric(y_true, y_pred):y_true = y_true[np.nonzero(y_true)]y_pred = y_pred[np.nonzero(y_true)]error = sqrt(mean_squared_error(y_true, y_pred))return error

当你手动测试这个函数，通过输入测试集的实际值和初始化为随机权重的神经网络输出时，它工作得很好并产生了一个误差值。我能够使用进化方法优化权重，并且通过调整网络的权重来优化这个误差度量。

现在，我想使用evaluation_metric作为损失函数来训练网络，使用Keras的model.compile函数。当我运行以下代码时：

model.compile(loss=evaluation_metric, optimizer='rmsprop', metrics=[evaluation_metric])

我得到了以下错误：

TypeError: 不允许将tf.Tensor用作Python的bool。使用if t is not None:代替if t:来测试一个张量是否已定义，并使用TensorFlow操作如tf.cond来执行基于张量值的子图。

我认为这与使用np.nonzero有关。由于我在使用Keras，可能应该使用Keras后端的函数，或者使用类似tf.cond的东西来检查y_true的非零值。

有人能帮我解决这个问题吗？

编辑

应用以下修复后，代码可以工作：

def evaluation_metric(y_true, y_pred):    y_true = y_true * (y_true != 0)     y_pred = y_pred * (y_true != 0)    error = root_mean_squared_error(y_true, y_pred)    return error

连同以下用于计算tf对象的RMSE的函数：

def root_mean_squared_error(y_true, y_pred):    return K.sqrt(K.mean(K.square(y_pred - y_true), axis=-1)) 

回答：

是的，问题确实出在使用numpy函数上。这里有一个快速修复方法：

def evaluation_metric(y_true, y_pred):    y_true = y_true * (y_true != 0)     y_pred = y_pred * (y_true != 0)    error = sqrt(mean_squared_error(y_true, y_pred))    return error