Python 为什么我的自定义丢失函数不接受转换的numpy数组？

我试图通过调用外部函数（不是使用keras/tensorflow后端函数编写的），编写一个自定义损失函数，该函数将在向前传球之后、向后支撑之前对NN输出进行操作。这个操作输出和理想输出之间的差异是我想要用于误差计算的

我有一个自定义的loss函数loss_function（y_true，y_pred），它使用tf.py_函数调用外部函数，将y_pred参数传递给函数

理想情况下，我希望将y_pred参数转换为numpy数组，将此数组与我的函数一起使用以返回另一个numpy数组，将此numpy数组转换为tf张量，然后根据需要在loss函数中使用它

以下是自定义错误函数：

def loss_函数（y_true，y_pred）：
y_pred2=tf.py_函数（func=SOA，inp=[y_pred]，Tout=tf.float32）
返回tf.reduce_平均值（tf.pow（y_真-y_pred2,2））

这里是它调用的外部函数“SOA”，它只是将其转换为numpy数组，然后再转换回tf张量：

定义SOA（y_pred）：
y_pred0=np.平方（np.副本（y_pred））
打印（类型（y_pred0））
y_pred1=tf。将_转换为_张量（（y_pred0））
打印（类型（y_pred1））
返回y_pred1

我可以使用各种tf函数在外部函数中直接对y_pred进行操作，但如果我将其转换为numpy数组（例如，使用np.copy（…），然后使用tf.convert_to_张量将其转换回，则会出现以下错误：

InvalidArgumentError: In[0] is not a matrix
     [[{{node training_188/Adam/gradients/dense_299/MatMul_grad/MatMul}}]]

此外，如果使用y_true而不是y_pred，则会产生不同的错误：

ValueError: An operation has `None` for gradient. Please make sure that all of your ops have a gradient defined (i.e. are differentiable). Common ops without gradient: K.argmax, K.round, K.eval.

---

这对我来说似乎很奇怪，因为它似乎在区分完全相同类型的对象（）。

您的帖子有点混乱，但根据

tf.py_func

的文档，您的函数

SOA

应该返回ndarray（这是numpy数组类型）而不是张量。因此，省略转换，看看这是否有帮助

试试这个：

def SOA(y_pred):

    y_pred0 = np.square(np.copy(y_pred))
    print(type(y_pred0))

    return y_pred0