Python 如何在自定义丢失功能培训期间使用numpy阵列

我目前正在研究一个用tensorflow和keras实现的神经网络，我需要做的是调用一个函数，我无法重新实现，它可以在numpy数组上工作，而不是在张量上，我的第一个想法就是调用

def loss_gi(y_true, y_pred): # <class 'tensorflow.python.framework.ops.Tensor'>
  x = gamma(np.squeeze(y_true.numpy() , axis=0), np.squeeze(y_pred.numpy() , axis=0)) 
  return np.nansum(x)

with strategy.scope():
  model = hd_unet_model(INPUT_SIZE)
  model.compile(optimizer=Adam(lr=0.001), 
                loss=loss_gi)

def loss_gi（y_true，y_pred）：#
x=gamma（np.squence（y_true.numpy（），轴=0），np.squence（y_pred.numpy（），轴=0））
返回np.nansum（x）
使用strategy.scope（）：
模型=hd\U unet\U模型（输入大小）
编译（优化器=Adam（lr=0.001），
损失=损失（gi）

其中gamma返回一个卷。
但是在

Model.fit

过程中，如果尝试调用张量上的

y.numpy

，则会出现错误

Tensor没有属性numpy

，这是因为

.numpy

仅在急切执行中工作，而不在图形执行中工作（至少我理解这一点）

---

有人知道一种在numpy阵列上创建自定义损耗函数的方法吗？

损耗函数必须在TF中，以便产生梯度。使用Numpy损失函数消除了TF库作为带有梯度的张量的想法。因此，您的选择是：

将纯TF用于自定义损耗函数

如果y_true最初在numpy中-在运行模型之前将y_true转换为TF

---

你需要在渴望模式下工作才能达到这个目标。损失函数必须在TF中，这样它才能产生梯度。使用Numpy损失函数消除了TF库作为带有梯度的张量的想法。1） 据我所见，你的y_pred和y_true是tf.张量。为什么不将纯TF用于自定义损耗函数？2） 如果y_trus最初是在numpy中，那么无论如何，您都会在函数内部将其转换为TF。那么，为什么不在运行模型之前将y_true转换为TF呢？@sooobus是的，你是对的，但我没有做到，我不知道该怎么做，我尝试了使用TF.numpy函数，但我没有得到任何结果