我需要在Keras中创建一个自定义的损失函数，并且根据条件判断的结果返回两种不同的损失值。我在运行if语句时遇到了问题。
我需要做类似这样的事情：
def custom_loss(y_true, y_pred): sees = tf.Session() const = 2 if (sees.run(tf.keras.backend.less(y_pred, y_true))): #即 y_pred - y_true < 0 return const * mean_squared_error(y_true, y_pred) else: return mean_squared_error(y_true, y_pred)在尝试运行这个代码时，我不断遇到张量错误（见下文）。任何帮助/建议将不胜感激！
InvalidArgumentError: You must feed a value for placeholder tensor 'dense_63_target' with dtype float and shape [?,?] [[Node: dense_63_target = Placeholder[dtype=DT_FLOAT, shape=[?,?], _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]回答：
你应该简单地通过一个掩码来实现你想要的功能
import keras.backend as Kdef custom_1loss(y_true, y_pred): const = 2 mask = K.less(y_pred, y_true) #即 y_pred - y_true < 0 return (const - 1) * mask * mean_squared_error(y_true, y_pred) + mean_squared_error(y_true, y_pred)这与当y_pred是低估时添加另一个MSE项的期望输出相同。你可能需要将掩码转换为整数张量——我不记得具体是什么类型——但这将是一个小的改动。
另外，作为对你整体方法的非请自来的建议。我认为你使用不同的损失方法会得到更好的结果。
观察梯度行为的差异：
https://www.desmos.com/calculator/uubwgdhpi6
我展示给你的第二个损失函数将局部最小值的时刻移到了轻微的过高预测而不是低估（基于你想要的结果）。你提供的损失函数仍然在局部优化到平均值为0，但具有不同的强度梯度。这很可能会导致比MSE更慢地收敛到相同的结果，而不是希望模型倾向于过高预测而不是低估。我希望这有意义。
