Python 使用Tensorflow梯度带的汉明距离损失函数：无梯度。它是不可微的吗？

我正在使用Tensorflow 2.1和Python 3，按照教程“”创建我的自定义培训模型

我试图在我的损失函数中使用汉明距离：

import tensorflow as tf
import tensorflow_addons as tfa

def my_loss_hamming(model, x, y):
  global output
  output = model(x)

  return tfa.metrics.hamming.hamming_loss_fn(y, output, threshold=0.5, mode='multilabel')


def grad(model, inputs, targets):
  with tf.GradientTape() as tape:
      tape.watch(model.trainable_variables)
      loss_value = my_loss_hamming(model, inputs, targets)

  return loss_value, tape.gradient(loss_value, model.trainable_variables)

当我称之为：

loss_value, grads = grad(model, feature, label)
optimizer.apply_gradients(zip(grads, model.trainable_variables))

grads

变量是一个38无的列表

我得到了一个错误：

No gradients provided for any variable: ['conv1_1/kernel:0', ...]

---

有没有办法在不“中断梯度带记录的梯度链”的情况下使用汉明距离？

如果我说的是明显的话，请道歉，但是反向传播作为神经网络拟合算法的工作方式是通过梯度-例如，对于每批训练数据，您计算如果将特定的可训练权重移动非常小的量

delta

，损失函数将改善/降低多少

根据定义，汉明损耗是不可微的，因此对于可训练重量的小运动，您将永远不会经历损耗的任何变化。我想它只是被添加用于对经过培训的模型的性能进行最终测量，而不是用于培训

---

如果你想通过反向传播训练一个神经网络，你需要使用一些可微损失-这样可以帮助模型在正确的方向上移动权重。有时，人们会使用不同的技术来平滑此类损失，如Hamming less和创建近似值-例如，在这里，它可能会惩罚较少的预测，这些预测更接近目标答案，而不是对高于阈值的所有预测都给出1，对其他所有预测都给出0。

感谢您的回答。这个问题与这个问题相关：这里我解释一下我想做什么。还有另一个，你会知道我为什么用汉明距离。再次感谢。你的方法绝对没有问题。就像我说的，如果你想把损失函数用于训练，你只需要平滑它。谢谢，但我不知道如何把我的方法作为可微损失函数来使用。还有一个哈明距离损失函数，哈明损失。这也是不可微的吗？谢谢。从您的解释看来，您的输出具有形状

（BatchSize，FlattedPixelsnXm）

，目标是相同的形状，0/1值描述图像上的区域。使用

threshold=0.5

hamming损耗有效地将每个>0.5的值替换为1和每个值，从而使输出离散化