Python 如何在keras损失函数中使用tf.nn.top_k？

我在使用此自定义损失函数时遇到了一些问题（它检查

y_pred

数据的排序是否与

y_true

提供的实际排序索引一致）：

我可以使用示例数据正确运行它：

with tf.Session() as sess:
    print(custom_objective(tf.constant([0, 1, 2, 3, 4, 5]), 
                           tf.constant([0.0, 0.9, 0.2, 0.3, 0.5, 0.8])).eval())  # 1.82574

但是，如果我在

model.compile

中使用它，它会引发以下问题：

/Users/luca/.virtualenvs/python3/lib/python3.6/site-packages/tensorflow/python/framework/tensor_util.py in make_tensor_proto(values, dtype, shape, verify_shape)
    358   else:
    359     if values is None:
--> 360       raise ValueError("None values not supported.")
    361     # if dtype is provided, forces numpy array to be the type
    362     # provided if possible.

ValueError: None values not supported.

请注意，如果我将

ordered_output=tf.cast（tf.nn.top_k（-y_pred，k=5）[1]，tf.float32）

更改为

ordered_output=-y_pred

，则我的训练测试集中没有“None”值。模型编译良好，并正确地开始训练（但这显然不是我想要的损失函数）

---

我有一种微妙的感觉，在损失函数中使用

top_k

可能有点错误，因为我不知道它是如何可微的，但我没有更好的方法来评估预测顺序中的差异。提示/想法/论文/参考？：）

这可能会被否决，因为我不会真正修复您的代码，但这里什么也没有：

我确实不相信你能用top_k作为目标函数。就像你不能用精度作为目标函数一样

原因是数学上的。即使keras、tensorflow、theano和co.是人工智能的绝佳工具，让每个人都可以摆弄神经网络，但后者仍然是非常复杂的数学工具。这些数学很好地隐藏在幕后，但当你试图超越预制工具时，你应该意识到它们

当你训练一个网络时，你会计算出网络在一个例子中的错误程度，然后反向传播错误，从中学习。反向传播背后的算法是优化器，更准确地说，它们是基于梯度的优化器。计算梯度需要区分我们正在优化的函数，即损失/目标函数。这意味着目标必须是可微的。精度不是一个可微函数，它以一个介于0和1之间的实数作为输入，并输出一个阶跃函数：如果x0.5，则为0。这个函数是不可微的，因为我们不能得到它在0.5的梯度。top_k函数是一种精度函数。因此，在我看来，你不能在物镜中使用它，因为在引擎盖下，智能张量流必须计算你函数的梯度

---

我希望这有帮助：）

再次感谢您的帮助/输入Nassim，您所说的完全有道理，也是我所期望的。尽管如此，我看到人们在玩神经网络这类东西，我想知道是否有一种聪明的方法来解决这类问题。例如，检查的“弱”替代方法是使用MSE或分类交叉熵，但我会丢失很多关于数据顺序的信息。您能提供更多关于您试图实现的目标的信息吗？一个关于输入、目标和为什么要这样做的小例子将是完美的！

y_true

是订单数据还是订单数据的索引？@MarcinMożejko是第二个。y最初是有序的，然后在训练之前对其进行洗牌，y_true表示我想要预测的有序数据的索引。atm我默认使用MSE来预测它，但它不是超高效的。我可能会告诉你如何重写你的模型来优化它以得到你想要的结果。目前，你的模型可能做得很差。今晚我问自己同样的问题：“top-k是否可以区分？”我遇到了一个评论。

/Users/luca/.virtualenvs/python3/lib/python3.6/site-packages/tensorflow/python/framework/tensor_util.py in make_tensor_proto(values, dtype, shape, verify_shape)
    358   else:
    359     if values is None:
--> 360       raise ValueError("None values not supported.")
    361     # if dtype is provided, forces numpy array to be the type
    362     # provided if possible.

ValueError: None values not supported.