Python 为什么我的Keras自定义损失功能不起作用？

我编写了一个平方损失函数，用于对一个热编码数据进行分类

def squared_categorical_loss(y_true, y_pred):
    return K.mean(K.square(1.0 - K.sum(y_true * y_pred, axis=(1)))) 

当给定numpy数组示例时，该函数有效，例如

y_true = np.asarray([[1,0,0],[0,1,0]])
y_pred = np.asarray([[0.5,0.2,0.3],[0.4,0.6,0]])
squared_categorical_loss(y_true, y_pred)

上面的示例返回一个值为0.205的张量，它是（1-0.5）^2和（1-0.6）^2的平均值，这是期望的结果，应该是一个与精度相关的优化损失函数，但当我将其应用于TensorFlow模型时

model.compile(optimizer='adam',
                  loss=squared_categorical_loss,
                  metrics=['accuracy'])

当训练精度保持在50%以下时，损失减少到非常小的值，这是不可能的，因为如果精度不超过50%，就无法从数学上实现0.125以下的损失，那么我的实现有什么问题？

---

谢谢

只有当y_pred被规范化（总和等于1）时，它才会起作用

我认为您忘记在模型的最后一层应用softmax