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）。
