Python 3.x 如何在不使用argmax函数（argmax不可微）的情况下实现多类骰子损失函数？

我正在尝试在tensorflow中实现一个多类骰子丢失函数。因为它是多类骰子，所以我需要将每个类的概率转换为它的一个热形式。例如，如果我的网络输出这些概率：
[0.2,0.6,0.1,0.1]（假设4类）
我需要将其转换为：
[0 1 0 0]
这可以通过使用tf.argmax后跟tf.one_hot来完成

问题是，tf.argmax不可微，它将抛出一个错误：

ValueError: An operation has `None` for gradient. Please make sure that all of your ops have a gradient defined (i.e. are differentiable). Common ops without gradient: K.argmax, K.round, K.eval.

如何解决这个问题？我们可以不使用tf.argmax做同样的事情吗？

看一看。您不需要进行转换（将

[0.2,0.6,0.1,0.1]

转换为

[0 1 0]

）。只需将它们作为介于0和1之间的连续值

如果我理解正确，损失函数只是实现预期目标的一个替代项。即使它不一样，只要它是一个好的代理，它就是好的（否则，它是不可微的）

在计算时间内，可以随意使用

tf.argmax

来获取实际度量

ValueError: An operation has `None` for gradient. Please make sure that all of your ops have a gradient defined (i.e. are differentiable). Common ops without gradient: K.argmax, K.round, K.eval.