Python keras中的自定义损失函数实现问题

我正在keras中实现一个自定义损失函数。该模型的输出为10维softmax层。要计算损失：首先我需要找到y的指数1，然后用真值减去该值。我正在做以下工作：

from keras import backend as K

def diff_loss(y_true,y_pred):

    # find the indices of neuron firing 1
    true_ind=K.tf.argmax(y_true,axis=0)
    pred_ind=K.tf.argmax(y_pred,axis=0)

    # cast it to float32
    x=K.tf.cast(true_ind,K.tf.float32)
    y=K.tf.cast(pred_ind,K.tf.float32)

    return K.abs(x-y)

但它给出了错误“raisevalueerror”（“不支持任何值”） ValueError:不支持任何值。“

---

这里有什么问题？

发生这种情况是因为函数是不可微的。它是由常量组成的

如果您希望结果是

argmax

，则根本没有解决方案

---

测试方法 因为您使用的是“softmax”，这意味着只有一个类是正确的（您不会同时有两个类）

由于您需要索引差异，也许可以使用单个连续结果（连续值是可微的）

只使用-0.5到9.5之间的一个输出，并通过四舍五入结果来上课

这样，最后一层就可以只有一个单元：

lastLayer = Dense(1,activation = 'sigmoid', ....) #or another kind if it's not dense    

并使用lambda层更改范围：

lambdaLayer = Lambda(lambda x: 10*x - 0.5)

现在，您的损失可以是一个简单的

'mae'

（平均绝对误差）

这种尝试的缺点是“sigmoid”激活在类之间分布不均匀。某些类别的可能性比其他类别更大。但是，既然有一个限度很重要，那么一开始这似乎是最好的主意

---

只有当类遵循逻辑递增顺序时，这才有效。（我想他们会的，否则你就不会尝试那种损失，对吧？

那么解决这个问题的办法是什么？我希望损失是指数的差值！不可能。。。。我将在答案中建议一种非常不同的方法，供您尝试。。。。