我正在尝试使用下面的自定义损失函数进行对象分割：

def chamfer_loss_value(y_true, y_pred):               # flatten the batch     y_true_f = K.batch_flatten(y_true)    y_pred_f = K.batch_flatten(y_pred)    # ==========    # get chamfer distance sum    // error here    y_pred_mask_f = K.cast(K.greater_equal(y_pred_f,0.5), dtype='float32')    finalChamferDistanceSum = K.sum(y_pred_mask_f * y_true_f, axis=1, keepdims=True)      return K.mean(finalChamferDistanceSum)def chamfer_loss(y_true, y_pred):       return chamfer_loss_value(y_true, y_pred)

y_pred_f 是我的 U-Net 的结果。y_true_f 是对真实标签掩码 x 进行欧几里得距离变换的结果，如下所示：

distTrans = ndimage.distance_transform_edt(1 - x)

为了计算香农距离，你需要将预测的图像（理想情况下，是一个包含 1 和 0 的掩码）与真实距离变换相乘，然后对所有像素进行求和。为了实现这一点，我需要通过阈值处理 y_pred_f 来获得掩码 y_pred_mask_f，然后与 y_true_f 相乘，并对所有像素进行求和。

y_pred_f 提供了一个 [0,1] 的连续值范围，我在评估 y_true_mask_f 时得到了 None type not supported 的错误。我知道损失函数必须是可微的，而 greater_equal 和 cast 不是。但是，在 Keras 中有办法绕过这个问题吗？也许可以使用 TensorFlow 中的一些变通方法？

回答：

嗯，这有点棘手。你遇到错误的原因是你的损失和网络之间没有连续依赖。为了计算损失相对于网络的梯度，你的损失必须计算指示器的梯度，如果你的输出大于 0.5（因为这是你的最终损失值与网络输出 y_pred 之间的唯一联系）。这是不可能的，因为这个指示器部分是常数且不连续的。

可能的解决方案 – 平滑你的指示器：

def chamfer_loss_value(y_true, y_pred):               # flatten the batch     y_true_f = K.batch_flatten(y_true)    y_pred_f = K.batch_flatten(y_pred)    y_pred_mask_f = K.sigmoid(y_pred_f - 0.5)    finalChamferDistanceSum = K.sum(y_pred_mask_f * y_true_f, axis=1, keepdims=True)      return K.mean(finalChamferDistanceSum)

因为 sigmoid 是阶跃函数的连续版本。如果你的输出来自 sigmoid，你可以简单地使用 y_pred_f 而不是 y_pred_mask_f。