我使用了一个自定义损失函数：

def ratio_loss(y, y0):   return (K.mean(K.abs(y - y0) / y))

我得到了负的预测值——在我的情况下这是不合理的（我使用CNN和回归作为最后一层来获取一个对象的长度）。我使用了除法，以便在真实值相对于预测值较小时进行更大的惩罚。

如何防止负预测？

这是目前的模型：

def create_model():    model = Sequential()    model.add(Conv2D(128, kernel_size=(3, 3), activation='relu', padding='same', input_shape=(128, 128, 1)))    model.add(Dropout(0.5))    model.add(Conv2D(128, kernel_size=(3, 3), activation='relu', padding='same'))    model.add(Dropout(0.25))    model.add(BatchNormalization())    model.add(MaxPooling2D(pool_size=(2, 2)))    model.add(Conv2D(64, kernel_size=(3, 3), activation='relu', padding='same'))    model.add(Dropout(0.25))    model.add(BatchNormalization())    model.add(MaxPooling2D(pool_size=(2, 2)))    #    #    model.add(Conv2D(64, kernel_size=(3, 3), activation='relu', padding='same'))    model.add(Dropout(0.25))    model.add(BatchNormalization())    model.add(MaxPooling2D(pool_size=(2, 2)))    model.add(Flatten())    model.add(Dense(512, activation='relu'))    model.add(Dropout(0.15))    model.add(Dense(1))    #model.compile(loss=keras.losses.mean_squared_error, optimizer=keras.optimizers.Adadelta(), metrics=[sacc])    model.compile(loss=ratio_loss, optimizer=keras.optimizers.Adadelta(), metrics=[sacc])    return model

谢谢，Amir

回答：

你可以继续训练你的神经网络，希望它能学会不做出任何低于0的预测（假设所有训练数据的输出都低于0）。然后，你可以添加一个预测后步骤，如果有任何低于0的预测，你可以将其转换为0。

你可以像Daniel Möller回答的那样，添加一个激活函数。

这将涉及到更改

model.add(Dense(1))

为

model.add(Dense(1, activation='softplus'))

因为你在评论中提到希望输出从0到约200。这样可以保证不会有低于0的输出。