Python 自定义损失函数，Keras\\ValueError:无梯度

我正试图将我的Keras神经网络封装在

类

对象中。我已经在类设置之外实现了下面的功能，但是我想让它更友好。 总之，我的

model

调用函数

sequential\u model

，它创建了一个

sequential

模型。在

compile

步骤中，我定义了我自己的损失函数

weighted\u categorical\u crossentropy

，我希望序列模型实现它。 但是，当我运行下面的代码时，我得到以下错误：

ValueError:没有为任何变量提供渐变：

我怀疑问题在于如何定义

weighted\u categorical\u crossentropy

函数，以供

sequential

使用

同样，我能够以非面向对象的方式完成这项工作。任何帮助都将不胜感激

from tensorflow.keras import Sequential, backend as K

class MyNetwork(): 
        
    def __init__(self, file, n_output=4, n_hidden=20, epochs=3,
                 dropout=0.10, batch_size=64, metrics = ['categorical_accuracy'],
                 optimizer = 'rmsprop', activation = 'softmax'):

    [...] //Other Class attributes
 
    def model(self):
        self.model = self.sequential_model(False)
        self.model.summary()


    def sequential_model(self, val):
        K.clear_session()
        if val == False:
            self.epochs = 3
        regressor = Sequential()
        #regressor.run_eagerly = True
        regressor.add(LSTM(units = self.n_hidden, dropout=self.dropout, return_sequences = True, input_shape = (self.X.shape[1], self.X.shape[2])))
        regressor.add(LSTM(units = self.n_hidden, dropout=self.dropout, return_sequences = True))
        regressor.add(Dense(units = self.n_output, activation=self.activation))
    
        self.weights = np.array([0.025,0.225,0.78,0.020])

        regressor.compile(optimizer = self.optimizer, loss = self.weighted_categorical_crossentropy(self.weights), metrics = [self.metrics])
        regressor.fit(self.X, self.Y*1.0,batch_size=self.batch_size, epochs=self.epochs, verbose=1, validation_data=(self.Xval, self.Yval*1.0))

        return regressor

    def weighted_categorical_crossentropy(self, weights):
        weights = K.variable(weights)
        def loss(y_true, y_pred):
            y_pred /= K.sum(y_pred, axis=-1, keepdims=True)
            y_pred = K.clip(y_pred, K.epsilon(), 1 - K.epsilon())
            loss = y_true * K.log(y_pred) * weights
            loss = -K.sum(loss, -1)
            return loss

---

上面的代码有几个问题，但最值得注意的是，您没有从

weighted\u category\u crossentropy

返回

loss

。它应该看起来更像：

def-weighted\u-categorical\u交叉熵（自身，权重）：
权重=K.变量（权重）
def损失（y_真，y_pred）：
y_pred/=K.sum（y_pred，轴=-1，keepdims=True）
y_pred=K.clip（y_pred，K.epsilon（），1-K.epsilon（））
损失=y_真*K.log（y_pred）*权重
损失=-K.sum（损失-1）
回波损耗
返回丢失#返回可调用函数！

错误是

ValueError：没有为任何变量提供梯度

，因为loss方法不返回任何内容，所以它不返回任何内容！如果尝试使用

loss=None

拟合方法，则模型将无法计算梯度，因此将抛出相同的精确错误

接下来是在非重复层之前的层中使用的

return\u sequences=True

。这会导致对形状错误的数据调用

密集的

层，这仅适用于重复出现的层。不要那样使用它。
如果您有充分的理由使用

return\u sequences=True

，则必须添加

densite

层，如：

model.add（keras.layers.TimeDistributed（keras.layers.Dense（…））

这将导致

密集

层分别作用于每个时间步上的输出序列。这也意味着您的

y_true

必须具有适当的形状

您定义的自定义损失函数可能还有其他问题，但我无法推断输入/输出形状，因此您必须运行它并添加，看看它是否有效。可能会出现矩阵乘法形状不匹配

最后但并非最不重要的一点是，考虑使用子分类API。它能使您的任何操作更容易编写吗

---

谢谢你的阅读，我会更新这个答案，一旦我有了这些信息。干杯。

感谢您指出了明显的逻辑错误，并感谢您的全面回复！关于第二点，我的

y\u true

输出是一个

nx时间X类

矩阵（在本例中：

nx20x4

），因此

n\u hidden

的大小是20，而

n\u输出是4个不同的类。隐藏大小为20意味着20个连续的建模周期（按每n的顺序），因此从上面的观点来看，我应该像您提到的那样定义
稠密
层。您的第三点是，必须查看
子分类API
。再次感谢，如果可能的话，我会请你吃一些好的kinkhali。我的荣幸@Josh。很乐意帮忙。还有，关于knikali：如果有一天你决定去乔治亚州，我会非常高兴地邀请你去当地的sakhinkle（提供服务的地方的名称）。干杯。：）这只是时间问题，我妻子来自波蒂，我被指示尽快拜访巴克马罗：Dhey@tornikeo，希望你一切顺利。你们是我所知道的这一领域的专家，若你们能看看我的另一个安问题，我将不胜感激：嘿，乔希，我很好。你好吗？我今天有一些事情要办，一旦我有空，我会尽力回答你的问题。我已经把它放进书签了。