我想编写一个自定义的损失函数，用于对正目标值的低估进行加权惩罚。其工作原理类似于均方误差，唯一的区别是，在这种情况下，方差误差将乘以一个大于1的权重。

我编写了如下代码：

def wmse(ground_truth, predictions):    square_errors = np.square(np.subtract(ground_truth, predictions))    weights = np.ones_like(square_errors)    weights[np.logical_and(predictions < ground_truth, np.sign(ground_truth) > 0)] =  100    weighted_mse = np.mean(np.multiply(square_errors, weights))    return weighted_mse

然而，当我将它提供给使用tensorflow作为后端的keras中的Sequential模型时：

model.compile(loss=wmse,optimizer='rmsprop')

我得到了以下错误：

 raise TypeError("Using a `tf.Tensor` as a Python `bool` is not allowed. TypeError: Using a `tf.Tensor` as a Python `bool` is not allowed. Use `if t is not None:` instead of `if t:` to test if a tensor is defined, and use TensorFlow ops such as tf.cond to execute subgraphs conditioned on the value of a tensor.

错误追踪指向wmse中的这一行：

weights[np.logical_and(predictions < ground_truth, np.sign(ground_truth) > 0)] =  100

在此之前我从未使用过keras或tensorflow，所以如果有人能帮助我调整这个损失函数以适应keras/tensorflow框架，我将不胜感激。我尝试用tensorflow.logical_and替换np.logical_and，但没有效果，错误仍然存在。

回答：

正如@某人提到的，你必须使用仅Keras / TensorFlow操作来实现你的损失函数，这些操作需要有导数，因为这些框架无法通过其他操作（如numpy操作）进行反向传播。

一个仅使用Keras的实现可能如下所示：

from keras import backend as Kdef wmse(ground_truth, predictions):    square_errors = (ground_truth - predictions) ** 2    weights = K.ones_like(square_errors)    mask = K.less(predictions, ground_truth) & K.greater(K.sign(ground_truth), 0)    weights =  K.switch(mask, weights * 100, weights)    weighted_mse = K.mean(square_errors * weights)    return weighted_msegt = K.constant([-2, 2, 1, -1, 3], dtype="int32")pred = K.constant([-2, 1, 1, -1, 1], dtype="int32")weights, loss = wmse(gt, pred)sess = K.get_session()print(loss.eval(session=sess))# 100