Python 基于输入的输出子集上的自定义损失函数

我想创建一个损失函数，其中MSE仅在输出的子集上计算。子集取决于输入数据。我使用这个问题的答案来了解如何基于输入数据创建自定义函数：

但是，我在实现自定义函数时遇到了问题

这是我整理的东西

def自定义丢失（输入张量）：
def损失（y_真，y_pred）：
板=输入张量[：81]
答案向量=电路板==.5
#断言np.sum（答案向量）>0
返回K.mean（K.square（y_pred*答案向量-y_true），轴=-1）
回波损耗
def构建模型（输入大小、输出大小）：
学习率=.001
a=输入（形状=（输入大小）
b=密度（60，活化='relu'）（a）
b=密度（60，活化='relu'）（b）
b=密度（60，活化='relu'）（b）
b=密集（输出尺寸，激活=线性）（b）
模型=模型（输入=a，输出=b）
compile（loss=custom\u loss（a），optimizer=Adam（lr=learning\u rate））
回归模型
模型=构建模型（83,81）

我希望MSE将板不等于0.5时的输出视为0。（真值是一个热编码的值，其中一个在子集内）。由于某种原因，我的输出我的输出总是被视为零。换句话说，自定义损耗函数似乎找不到任何板等于0.5的位置

---

我不知道我是否曲解了维度，或者比较是否因为张量而失败，或者即使有一种更简单的方法来做我正在尝试的事情。

问题是，

answer\u vector=board=.5

不是你想象的那样。它不是张量，而是布尔值False，因为board是张量，0.5是数字：

a = tf.constant([0.5, 0.5])
print(a == 0.5) # False

现在，

a*False

是零的向量：

with tf.Session() as sess:
   print(sess.run(a * False)) # [0.0, 0.0]

---

您需要使用tf.equal而不是==。另一个可能的陷阱是将浮点值与相等值进行比较是危险的，请参见，例如

answer\u vector=board=.5

是否创建了张量？您是否尝试过使用

tf.where

？您可以添加打印（答案向量）以在模型构建期间显示这是张量（还是常数）。我希望比较会产生“tensor==0.5”=>False。作为调试工具，我尝试创建一个包含1/2元素的批处理，然后在loss函数中使用

var=K.print\u tensor（var）

跟踪函数如何转换值。