Python 对分类类型敏感的tensorflow中的损失函数

我感兴趣的是在tensorflow中使用一个自定义损失函数，该函数考虑了错误的类型。例如，我想创建一个函数，它对某种类型的错误（预测类别1，标签为类别3）的权重比其他类型（预测类别2，标签为类别3）的权重更大。原因来自于我目前正在从事的一个项目，在该项目中，课程被明确地排在了第二位（尽管只按顺序排列）

我使用Keras实现了一个类似于（）中所示的loss函数。然而，我想知道如何在tensorflow中直接实现类似的东西。目前，我不幸没有运气。我尝试在tensorflow的当前版本中或多或少地使用它（使用tf.keras.backend调用K.parts），但没有成功（参见代码块1）。我还尝试编写类似于矩阵乘法的东西（使用tf.matmul），但随后我的错误出现了分歧（请参见代码块2）。请注意，ω是一个具有重量的K x K矩阵

对于K类，我希望总共有K^2个不同的权重，考虑每种类型的分类和错误分类

非常感谢您的帮助！这是我第一次问有关stackoverflow的问题，所以如果我做错了什么，一定要让我知道

代码1：

number_of_classes = 3
modifier = tf.keras.backend.zeros_like(output_softmax[:, 0])
y_pred_max = tf.keras.backend.max(output_softmax, axis = 1)
y_pred_max = tf.keras.backend.expand_dims(y_pred_max, 1)
y_pred_max_mat = tf.keras.backend.equal(output_softmax, y_pred_max)
for i, j in product(range(number_of_classes), range(number_of_classes)):
    modifier += (tf.keras.backend.cast(Omega[j, i], tf.keras.backend.floatx()) *
                 tf.keras.backend.cast(y_pred_max_mat[:, i], tf.keras.backend.floatx()) * tf.keras.backend.cast(y_[:, j], tf.keras.backend.floatx()))
loss =  tf.keras.backend.categorical_crossentropy(output_softmax, y_) * modifier

问题：现在我对给定时代的损失不是一个数字，而是一个矩阵。检查提前停止时（我跟踪每个历元的损耗，并将当前损耗与最小损耗进行比较），会出现以下错误：

ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()`

代码2：

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(labels = y_, logits = output))
mod_loss = tf.reduce_mean(tf.multiply(loss, tf.matmul(tf.matmul(y_, Omega), output_softmax, transpose_b=True)))

---

问题：现在我的损失随着时间的推移而增加。

我设法解决了这个问题。如果可以，我会将其标记为已解决（需要等待5个小时）。

您写道“尝试在tensorflow的当前版本中或多或少地使用它”。你能给我们看一下你到目前为止写的代码吗？我已经按照你的建议添加了代码，以及使用矩阵运算时的代码。感谢您的反馈！