Python 自定义丢失问题：急切执行函数的输入不能作为符号张量，但可以找到

我使用tensorflow keras自定义损失（使用其他输入数据计算损失）的代码如下：

inp = Input(shape=(inp_seq_len,feature_size))
w = Input(shape=(1))
# code ommitted

def custom_loss(w):
    def loss(y_true,y_pred):
        return -y_true*y_pred*w
    return loss

model = Model(
  inputs=[inp, w],
  outputs=[pred],
)
model.compile(loss=custom_loss(w), optimizer='adam')

在执行model.fit（）时，我遇到错误： 对急切执行函数的输入不能作为符号张量，但可以找到：tf.Tensor'input_19:0 shape=[None，1]，dtype=float32

接下来，我做了： tf.config.experimental\u急切地运行函数（True）

然后我得到了一个错误： 无法将符号张量（truediv_20:0）转换为numpy数组

请注意，我遵循了更改代码的步骤

我的原始代码是（从一个inpA中解包inp和w）：

我有/没有犯的错误 tf.config.experimental\u急切地运行函数（True） 同上

我能做什么

谢谢

更新：使用以下帖子中的代码时出现此错误：

WARNING:tensorflow:Output dense_3 missing from loss dictionary. We assume this was done on purpose. The fit and evaluate APIs will not be expecting any data to be passed to dense_3.
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-5-1f23bd570780> in <module>()
     19 m.add_loss( mse( true, out, sample_weight ) )
     20 m.compile(loss=None, optimizer='adam')
---> 21 history = m.fit([X, y, W], y, epochs=10)
     22 
     23 # final fitted model to compute predictions

/nfs/anaconda2/lib/python2.7/site-packages/tensorflow_core/python/keras/engine/training.pyc in fit(self, x, y, batch_size, epochs, verbose, callbacks, validation_split, validation_data, shuffle, class_weight, sample_weight, initial_epoch, steps_per_epoch, validation_steps, validation_freq, max_queue_size, workers, use_multiprocessing, **kwargs)
    817         max_queue_size=max_queue_size,
    818         workers=workers,
--> 819         use_multiprocessing=use_multiprocessing)
    820 
    821   def evaluate(self,

/nfs/anaconda2/lib/python2.7/site-packages/tensorflow_core/python/keras/engine/training_v2.pyc in fit(self, model, x, y, batch_size, epochs, verbose, callbacks, validation_split, validation_data, shuffle, class_weight, sample_weight, initial_epoch, steps_per_epoch, validation_steps, validation_freq, max_queue_size, workers, use_multiprocessing, **kwargs)
    233           max_queue_size=max_queue_size,
    234           workers=workers,
--> 235           use_multiprocessing=use_multiprocessing)
    236 
    237       total_samples = _get_total_number_of_samples(training_data_adapter)

/nfs/anaconda2/lib/python2.7/site-packages/tensorflow_core/python/keras/engine/training_v2.pyc in _process_training_inputs(model, x, y, batch_size, epochs, sample_weights, class_weights, steps_per_epoch, validation_split, validation_data, validation_steps, shuffle, distribution_strategy, max_queue_size, workers, use_multiprocessing)
    591         max_queue_size=max_queue_size,
    592         workers=workers,
--> 593         use_multiprocessing=use_multiprocessing)
    594     val_adapter = None
    595     if validation_data:

/nfs/anaconda2/lib/python2.7/site-packages/tensorflow_core/python/keras/engine/training_v2.pyc in _process_inputs(model, mode, x, y, batch_size, epochs, sample_weights, class_weights, shuffle, steps, distribution_strategy, max_queue_size, workers, use_multiprocessing)
    644     standardize_function = None
    645     x, y, sample_weights = standardize(
--> 646         x, y, sample_weight=sample_weights)
    647   elif adapter_cls is data_adapter.ListsOfScalarsDataAdapter:
    648     standardize_function = standardize

/nfs/anaconda2/lib/python2.7/site-packages/tensorflow_core/python/keras/engine/training.pyc in _standardize_user_data(self, x, y, sample_weight, class_weight, batch_size, check_steps, steps_name, steps, validation_split, shuffle, extract_tensors_from_dataset)
   2381         is_dataset=is_dataset,
   2382         class_weight=class_weight,
-> 2383         batch_size=batch_size)
   2384 
   2385   def _standardize_tensors(self, x, y, sample_weight, run_eagerly, dict_inputs,

/nfs/anaconda2/lib/python2.7/site-packages/tensorflow_core/python/keras/engine/training.pyc in _standardize_tensors(self, x, y, sample_weight, run_eagerly, dict_inputs, is_dataset, class_weight, batch_size)
   2467           shapes=None,
   2468           check_batch_axis=False,  # Don't enforce the batch size.
-> 2469           exception_prefix='target')
   2470 
   2471       # Generate sample-wise weight values given the `sample_weight` and

/nfs/anaconda2/lib/python2.7/site-packages/tensorflow_core/python/keras/engine/training_utils.pyc in standardize_input_data(data, names, shapes, check_batch_axis, exception_prefix)
    494       raise ValueError(
    495           'Error when checking model ' + exception_prefix + ': '
--> 496           'expected no data, but got:', data)
    497     return []
    498   if data is None:

ValueError: ('Error when checking model target: expected no data, but got:', array([3.39102071e-01, 1.23122638e-01, 7.54209531e-01, 8.10110230e-01,

警告：tensorflow:丢失字典中缺少输出密集_3。我们认为这是故意的。fit和evaluate API不希望任何数据传递给dense_3。
---------------------------------------------------------------------------
ValueError回溯（最近一次调用上次）
在（）
19 m.添加损耗（mse（真实、输出、样品重量））
20 m.compile（loss=None，optimizer='adam'）
--->21历史=m.fit（[X，y，W]，y，历代=10）
22
23#用于计算预测的最终拟合模型
/nfs/anaconda2/lib/python2.7/site-packages/tensorflow\u core/python/keras/engine/training.pyc in fit（self、x、y、批大小、历元、冗余、回调、验证拆分、验证数据、洗牌、类权重、样本权重、初始历元、每历元步数、验证步骤、验证频率、最大队列大小、工作人员、使用多处理、**kwargs）
817最大队列大小=最大队列大小，
818名工人=工人，
-->819使用\多处理=使用\多处理）
820
821 def评估（自我，
/nfs/anaconda2/lib/python2.7/site-packages/tensorflow_core/python/keras/engine/training_v2.pyc in-fit（self、model、x、y、批大小、历元、冗余、回调、验证拆分、验证数据、洗牌、类权重、样本权重、初始历元、每个历元的步骤、验证步骤、验证频率、最大队列大小、工作人员、使用多处理、**kwargs）
233最大队列大小=最大队列大小，
234名工人=工人，
-->235使用多处理=使用多处理）
236
237总样本数=\u获取\u总样本数\u（训练\u数据\u适配器）
/nfs/anaconda2/lib/python2.7/site-packages/tensorflow\u core/python/keras/engine/training\u v2.pyc进程内\u训练\u输入（模型、x、y、批次大小、历元、样本权重、类权重、每历元步长、验证拆分、验证数据、验证步骤、洗牌、分布策略、最大队列大小、工人、使用多处理）
591最大队列大小=最大队列大小，
592名工人=工人，
-->593使用多处理=使用多处理）
594 val_适配器=无
595如果验证数据：
/nfs/anaconda2/lib/python2.7/site-packages/tensorflow\u core/python/keras/engine/training\u v2.pyc进程内输入（模型、模式、x、y、批次大小、时代、样本权重、类权重、无序、步骤、分布策略、最大队列大小、工作者、使用多进程）
644标准化功能=无
645 x，y，样本重量=标准化(
-->646 x，y，样本重量=样本重量）
647 elif适配器\u cls是数据\u适配器。列表ScalarsDataAdapter:
648标准化功能=标准化
/nfs/anaconda2/lib/python2.7/site-packages/tensorflow\u core/python/keras/engine/training.pyc在标准化用户数据中（self、x、y、样本权重、类权重、批量大小、检查步骤、步骤名称、步骤、验证、拆分、洗牌、从数据集中提取张量）
2381 is_数据集=is_数据集，
2382级重量=级重量，
->2383批次大小=批次大小）
2384
2385定义标准化张量（自、x、y、样本重量、急切运行、dict输入、，
/nfs/anaconda2/lib/python2.7/site-packages/tensorflow\u core/python/keras/engine/training.pyc中的标准化张量（self、x、y、sample\u weight、run\u热切、dict\u输入、is\u数据集、类权重、批量大小）
2467个形状=无，
2468 check_batch_axis=False，#不强制执行批大小。
->2469例外（前缀为“目标”）
2470
2471#根据“样本权重”生成样本权重值，以及
/标准化输入数据中的nfs/anaconda2/lib/python2.7/site-packages/tensorflow\u core/python/keras/engine/training\u utils.pyc（数据、名称、形状、检查批处理轴、异常前缀）
494升值错误(
495“检查模型“+异常前缀+”时出错：：”
-->496'预期没有数据，但得到：'，数据）
497返回[]
498如果数据为无：
ValueError:（“检查模型目标时出错：应无数据，但已获取：”，数组（[3.39102071e-01，1.23122638e-01，7.54209531e-01，8.10110230e-01，

这是一种将附加参数传递给自定义损失函数（在您的例子中是一个权重数组）的变通方法。诀窍在于使用假输入，这有助于以正确的方式构建和使用损失。不要忘记keras处理固定的批次维度

我提供了一个回归问题中的虚拟示例，可以根据您的需要轻松修改

def mse(y_true, y_pred, sample_weight):

    error = y_true-y_pred

    return K.mean(K.sqrt(error)*sample_weight)


X = np.random.uniform(0,1, (1000,10))
y = np.random.uniform(0,1, 1000)
W = np.random.uniform(1,2, 1000)

inp = Input((10,))
true = Input((1,))
sample_weight = Input((1,))
x = Dense(32, activation='relu')(inp)
out = Dense(1)(x)

m = Model([inp,true, sample_weight], out)
m.add_loss( mse( true, out, sample_weight ) )
m.compile(loss=None, optimizer='adam')
history = m.fit([X, y, W], y, epochs=10)

# final fitted model to compute predictions
final_m = Model(inp, out)

def mse(y_true, y_pred, sample_weight):

    error = y_true-y_pred

    return K.mean(K.sqrt(error)*sample_weight)


X = np.random.uniform(0,1, (1000,10))
y = np.random.uniform(0,1, 1000)
W = np.random.uniform(1,2, 1000)

inp = Input((10,))
true = Input((1,))
sample_weight = Input((1,))
x = Dense(32, activation='relu')(inp)
out = Dense(1)(x)

m = Model([inp,true, sample_weight], out)
m.add_loss( mse( true, out, sample_weight ) )
m.compile(loss=None, optimizer='adam')
history = m.fit([X, y, W], y, epochs=10)

# final fitted model to compute predictions
final_m = Model(inp, out)