Tensorflow 在自定义丢失函数中使用`switch`/`cond`

我需要在keras中实现一个自定义损失函数，该函数计算标准的分类交叉熵，除非

y_true

都是零

这是我的尝试：

def masked_crossent(y_true, y_pred):
    return K.switch(K.any(y_true),
                    losses.categorical_crossentropy(y_true, y_pred),
                    losses.categorical_crossentropy(y_true, y_pred) * 0)

但是，一旦培训开始，我就会出现以下错误（编译工作正常）：

~/anaconda3/lib/python3.5/site-packages/tensorflow/python/client/session.py 在init（self、graph、fetches、feed） 419自我操作附加（真） 420其他： -->421 self.\u assert\u fetchable（图，fetch.op） 422 self.\u fetches.append（fetch\u name） 423自我操作附加（错误）

~/anaconda3/lib/python3.5/site-packages/tensorflow/python/client/session.py in_assert_可获取（self、graph、op） 432如果不是图形，则可获取（op）： 433提升值错误( -->434“操作%r已标记为不可获取”。%op.name） 435 436 def获取（自）：

ValueError:操作“IsVariableInitialized_4547”已标记为 不可获取

除了损失。分类交叉熵（y_true，y_pred）*0，我还尝试了以下各种错误（编译期间或培训开始后）：

---

。。。尽管我认为有一种简单的方法可以做到这一点。

我只有一个解决方法的想法：

def masked_crossent(y_true, y_pred):
    return K.max( y_true ) * K.categorical_crossentropy(y_true, y_pred)

如果这是针对整个批次，则需要添加轴=-1

def masked_crossent(y_true, y_pred):
    return K.max( y_true ) * K.categorical_crossentropy(y_true, y_pred)