Python 我不能用梯度下降法训练我的自定义损失函数

我尝试使用梯度下降法训练我的多输入（100个特征）多输出（3个输出）模型，但损失函数不趋向于0。

损失函数如下图所示：。此损失函数奖励具有较大值的数据的分类（如果您得到正确的符号）

以下是我的损失函数的代码：

def my_loss_fn(y_true, y_pred) : 
    d = tf.raw_ops.Sum(input = tf.raw_ops.Abs(x= y_true, name = None), axis = -1, keep_dims = False, name = None)
    n = tf.raw_ops.Sum(input = tf.raw_ops.Sign(x = y_true*y_pred, name = None)*tf.raw_ops.Abs(x = y_true, name = None), axis = -1, keep_dims = False, name = None)
    return 1-n/d

我使用的是

tf.raw_ops

，因为

sign（）

和

abs（）

似乎是可微的（奇怪的……）：

我实现了这个损失函数来训练以下模型（ANN，3层，每个层50个节点）：

损失不趋向于零，在0.99和1.05之间变化

我使用的是tensorflow 1.14.0

你能帮我解决这个问题吗

---

提前谢谢大家

您的输出层有

relu

激活，您可能想先更改它。我还尝试对输出层使用“tanh”，因为我需要负值和正值，但绝对值不重要，我得到了相同的结果

from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import Dropout

classifier = Sequential()

#Layers 
classifier.add(Dense(units = 50, input_shape = (100, ), activation = "relu"))
classifier.add(Dropout(0.2))
classifier.add(Dense(units = 50, activation = "relu"))
classifier.add(Dropout(0.2))
classifier.add(Dense(units = 50, activation = "relu"))
classifier.add(Dropout(0.2))

# Output layer
classifier.add(Dense(units=3, activation = 'tanh'))

# Compilation
classifier.compile(optimizer = 'adam', loss = my_loss_fn) 

#Training
nb_epochs = 300
history = classifier.fit(X_train, y_train, epochs = nb_epochs, batch_size = 128, verbose = True)