Python 马修斯相关系数作为keras中的损失

我试图用tf后端为keras编写一个自定义的丢失函数。 我得到以下错误

ValueError：操作没有渐变。请确保 你所有的行动都有一个梯度，即 可微的。无梯度的普通操作：K.argmax，K.round， K.eval

如果我使用这个函数作为度量，而不是作为损失函数，它会起作用。如何将此函数用作损失

删除K.round后，我得到以下错误：

InvalidArgumentError:无法压缩维度[0]，维度应为1， 得了8分 [{{node loss_9/densite_10_loss/squence}}=squence[T=DT_FLOAT， 挤压直径=[-1]， _device=/job:localhost/replica:0/task:0/device:GPU:0] _arg_稠密_10_样本_权重_0_2/_2445]] [{{node loss\u 9/add\u 12/\u 2467}}=\u Recvclient\u terminated=false， recv_device=/job:localhost/replica:0/task:0/device:CPU:0， send_device=/job:localhost/replica:0/task:0/device:GPU:0， 发送\u设备\u化身=1，张量\u名称=边缘\u 6418 \u丢失\u 9/添加\u 12， 张量类型=DT浮点数， _device=/job:localhost/replica:0/task:0/device:CPU:0]]

答案是：你不能

让我解释一下原因。首先，我们需要定义一些东西：

损失：损失函数或成本函数是一个函数，它将事件或一个或多个变量的值映射到一个实数，直观地表示与事件相关的一些成本。优化问题寻求使损失函数最小化

公制： 在数学中，度量或距离函数是定义集合中每对元素之间距离的函数

optmizer：一种优化最小化成本函数的方法

为什么我们不能用真实的正利率作为损失函数呢？ 因为你不能最小化它。它不是凸的。因此，您不能单独定义预测的成本。从定义中可以看出，这是一个成本函数，它依赖于所有答案来计算费率。您不能为一个样本计算它

你能做什么

使用它作为度量，并在遵循该度量的演化过程中使用早期停止，以获得最佳迭代

答案是：你不能

让我解释一下原因。首先，我们需要定义一些东西：

损失：损失函数或成本函数是一个函数，它将事件或一个或多个变量的值映射到一个实数，直观地表示与事件相关的一些成本。优化问题寻求使损失函数最小化

公制： 在数学中，度量或距离函数是定义集合中每对元素之间距离的函数

optmizer：一种优化最小化成本函数的方法

为什么我们不能用真实的正利率作为损失函数呢？ 因为你不能最小化它。它不是凸的。因此，您不能单独定义预测的成本。从定义中可以看出，这是一个成本函数，它依赖于所有答案来计算费率。您不能为一个样本计算它

你能做什么

---

使用它作为度量，并在遵循该度量的演化过程中使用早期停止，以获得最佳迭代

@Alexis已经给出了错误消息的答案，但我想澄清一些关于损失函数的问题，这些损失函数是从度量中派生出来的：

一般来说，度量不能用作损失函数，但通常平滑版的度量（如骰子度量=F1分数）可以用作损失函数。一个用例可能是图像分割

---

请原谅，我必须添加此评论作为回答，因为我没有足够的声誉添加评论

@Alexis已经给出了错误消息的答案，但我想澄清一些关于源自度量的损失函数的问题：

一般来说，度量不能用作损失函数，但通常平滑版的度量（如骰子度量=F1分数）可以用作损失函数。一个用例可能是图像分割

---

请原谅，我必须添加此评论作为回答，因为我没有足够的声誉添加评论

K。轮是不可微的。你能试着不倒圆，这样我们就可以缩小误差面吗？@JosefKorbel这行不通。任何使用tp和tf的东西，比如f-beta，都不是一种损失，因此是不可行的。你不能把它当作损失。您需要使用它作为度量，并保持它以获得最佳迭代。@标记请更新您的答案，不要在中发布有用的信息comments@Alexis哦，恐怕你是对的。因为圆是不可微的，所以你不能直接最小化它。你能试着不倒圆，这样我们就可以缩小误差面吗？@JosefKorbel这行不通。任何使用tp和tf的东西，比如f-beta，都不是一种损失，因此是不可行的。你不能把它当作损失。您需要使用它作为度量，并保留它以获得最佳迭代。@标记请更新您的a

---

nswer，不要在网站上发布有用的信息comments@Alexis哦，恐怕你是对的。因为你不能直接将它最小化，所以它不会如此有用。

def matthews_correlation(y_true, y_pred):
    y_pred_pos = K.round(K.clip(y_pred, 0, 1))
    y_pred_neg = 1 - y_pred_pos

    y_pos = K.round(K.clip(y_true, 0, 1))
    y_neg = 1 - y_pos

    tp = K.sum(y_pos * y_pred_pos)
    tn = K.sum(y_neg * y_pred_neg)

    fp = K.sum(y_neg * y_pred_pos)
    fn = K.sum(y_pos * y_pred_neg)

    numerator = (tp * tn - fp * fn)
    denominator = K.sqrt((tp + fp) * (tp + fn) * (tn + fp) * (tn + fn))

    return 1.0 - numerator / (denominator + K.epsilon())