Tensorflow 没有为自定义分段损失函数的任何变量提供梯度

我创建了一个分段函数

y

是mnist标签，

y

是softmax预测结果，

pen\u less

和

pen\u more

是两个惩罚参数

loss = tf.reduce_sum(tf.where(
    tf.greater(tf.to_float(tf.argmax(y, 1)), tf.to_float(tf.argmax(y_, 1))),
    tf.pow(pen_less, tf.to_float(tf.argmax(y, 1)) - tf.to_float(tf.argmax(y_, 1))),
    tf.pow(pen_more, tf.to_float(tf.argmax(y, 1)) - tf.to_float(tf.argmax(y_, 1)))))

---

编辑：所以

tf。如果传递所有三个参数，

是可微的。我认为您的问题在于argmaxes：

import tensorflow as tf

x = tf.Variable([0, 1, 2])
tf.gradients(tf.argmax(x), x)

输出：

LookupError:没有为操作“ArgMax”定义渐变（操作类型：ArgMax）

---

如果你想要一个可微的损失函数，你需要避免argmax运算或找到一个聪明的方法来获得一个合适的伪梯度。

我以前也认为这是一个问题，但是像：loss=tf.reduce\u sum（tf.where（tf.more（y，y），（y-y_u）*loss\u more，（y_y-y）*loss\u less）这样的函数可以工作。我不知道为什么。编辑了我的答案。