我目前正在尝试修改我的网络试图预测的某个变量的误差计算方式。我仍然想使用均方误差（MSE），但我想修改方程中的“差异”部分（因为该变量代表角度度数）。

我尝试了一些方法，但到目前为止都没有成功：

我首先尝试了一种简单迭代的方法

def custom_mean_squared_loss(y_true, y_pred):  for sample in range(35):      for timestep in range(data_shape[1]):          error1 = tf.abs(diff[sample][timestep][6])          error2 = 360 - error1          corrected_err = tf.minimum(error1, error2)          test = tf.gather_nd(diff, [[sample, timestep, 6]])          test.assign(corrected_err)

但据我所知，TensorFlow需要明确“声明”操作才能评估它们并计算损失函数的梯度，所以我尝试去掉循环，让它来执行任务：

diff = y_true - y_preddata_shape = y_pred.get_shape()error1 = tf.abs(diff[:][:][6])error2 = 360 - error1corrected_err = tf.minimum(error1, error2)diff[:][:][6].assign(corrected_err)return tf.mean(tf.square(diff), axis=-1)

然而，我无法使赋值行编译通过：

ValueError: Sliced assignment is only supported for variables

回答：

有许多方法可以做到。我更倾向于将diff[:, :, 6]和tf.minimum的输出连接起来：

def custom_mean_squared_loss(y_true, y_pred):    diff = tf.abs(y_true - y_pred)    angle_diff = tf.minimum(diff[:, :, 6:], 360 - diff[:, :, 6:])    error = tf.concat([diff[:, :, :6], angle_diff], axis=-1)    return tf.mean(error ** 2, axis=-1)

你可以使用tf.while_loop来通过循环步骤传递修改后的张量。但在你的情况下，不需要循环，可以用张量操作来替代。