Python Keras自定义损失范围选择-独立处理值

我的自定义损失定义如下：

def custom_mse():
    def mse(y_true, y_pred):
        great = K.tf.greater(y_true,0.5)
        loss = K.square(tf.where(great, y_true, tf.zeros(tf.shape(y_true)))-tf.where(great, y_pred, tf.zeros(tf.shape(y_pred))))
        loss_low = K.square(y_true-y_pred)
        
        return loss+loss_low

该损失是两个损失的总和，未接触预测和真实标签的MSE，以及仅在真实标签中的值大于0.5的位置上的元素MSE

这非常有效，但现在我想做一些不同的事情

我想创建一个损耗，将0.01-0.2范围内的值转换为1，以便模型得到反馈，认为这些值不正确（降低这些值的重要性更高）。从thread中，我找到了一种选择范围的方法：

lower_tensor = K.tf.greater(y_pred, 0.01)
upper_tensor = K.tf.less(y_pred, 0.2)
in_range = K.tf.logical_and(lower_tensor, upper_tensor)

然而，我找不到一种方法将这些指数应用于原始张量，所以在计算中，它将被当作一个。我想做这样的事情（只是一个例子，这行不通）：

---

有没有办法做到这一点？或者我需要再次分割损失并将其计算在一起吗？

您可以使用

tf.where

和

tf.one以及您的原始张量

例如（将
y_pred
设置为
[0.0,0.1,0.8,0.15]
）：

我们得到了

>>y\u pred\u w\u one

tf.where(in_range, y_pred) = 1
loss = K.square(y_true-y_pred)

import tensorflow as tf

y_pred = tf.constant([0.0, 0.1, 0.8, 0.15])
lower_tensor = tf.greater(y_pred, 0.01)
upper_tensor = tf.less(y_pred, 0.2)
in_range = tf.logical_and(lower_tensor, upper_tensor)
# tf.where is (cond, tensor if cond is true, tensor if cond is false)
y_pred_w_ones = tf.where(in_range, tf.ones_like(y_pred), y_pred)