Python 近似小于或等于的可微张量运算？

我试图最大化接近真实值的预测数量，即使这会导致疯狂的异常值，否则可能会扭曲中值（我已经有工作损失）或平均值

因此，我尝试了这个自定义损失函数：

def损失三分之一大于十分之一错误（y_真，y_pred）：
"""
当前不作为损失使用：不可微
ValueError:操作的梯度为“无”。请确保所有操作都定义了梯度（即可微分）。没有梯度的常见操作：K.argmax、K.round、K.eval。
看见https://keras.io/losses/
"""
从keras导入后端为K
导入tensorflow作为tf
diff=K.abs（（y_真-y_pred）/K.clip（K.abs（y_真），K.epsilon（），无））
withinTenPct=tf.reduce_sum（tf.cast（K.less_equal（diff，0.1），tf.int32），axis=-1）/tf.size（diff，out_type=tf.int32）
返回100*（1-tf.cast（有意图，tf.float32））

我知道至少

less_equal

函数是不可微的（我不确定它是否也会对

tf.size

产生影响）；是否存在一些可以近似“小于或等于”的张量运算

---

我使用的是Tensorflow 1.12.3，无法升级，因此即使

tf.numpy_函数（lambda x:np.sum（x），从错误消息来看，Keras中似乎还没有实现某些梯度操作

您可以尝试使用Tensorflow操作来实现相同的结果（未测试！）：

或者，您可以尝试
tf.keras.loss.logcosh（y\u true，y\u pred）

因为它似乎适合您的用例。请参见错误消息中的，它看起来好像在Keras中没有实现某些渐变操作

您可以尝试使用Tensorflow操作来实现相同的结果（未测试！）：

或者，您可以尝试
tf.keras.loss.logcosh（y\u true，y\u pred）

因为它似乎适合您的用例。请参阅

 diff = tf.abs(y_true - y_pred) / tf.clip_by_value(tf.abs(y_true), 1e-12, 1e12))
 withinTenPct = tf.reduce_mean(tf.cast(tf.less_equal(diff, tf.constant(0.1, dtype=tf.float32, shape=tf.shape(diff)), tf.int32)))
 return 100.0 * (1.0 - tf.cast(withinTenPct, tf.float32))