Tensorflow 结合交叉熵损失和mae损失的定制损失函数Keras用于有序分类

我正在尝试执行多类分类。理想情况下，我会使用交叉熵损失来训练我的神经网络。然而，我的类是顺序变量。因此，我希望我的损失函数能够在预测中执行某种顺序。例如y_true=2，那么我更喜欢y_predict=3而不是y_predict=4。为此，我考虑在softmax层之后，结合使用交叉熵损失和平均绝对损失的自定义损失函数：

import from keras import backend as K
from keras import losses
loss_weight = [1,0.0001]
loss_weight_tensor = K.variable(value=loss_weight)

def custom_loss(y_true,y_pred):
   l1 = K.sparse_categorical_crossentropy(y_true,y_pred)
   y_pred_argmax = K.cast( K.argmax(y_pred,axis=1),dtype=K.tf.float32) 
   # y_pred_argmax get the class from softmax output
   l2 = losses.mean_absolute_error(y_pred_argmax, y_true)
   return l1*loss_weight_tensor[0] + l2*loss_weight_tensor[1]

---

我对这个损失函数的想法或构造是否存在谬误。如果我使用argmax，它看起来像是一个有效的损失函数（分段可微等）？你认为tensorflow后端会计算一个有效的梯度吗？或者，有没有更好的方法来实现有序分类？

您可以随时尝试看看它是否有效。我曾经致力于实现比例赔率模型的负对数可能性，该模型可以包装为自定义的Keras损失。代码是，您可以随时查看它。这不是编写此解决方案的最有效方法，但它可以工作，并且笔记本中包含一些参考资料。祝你好运谢谢分享你的想法和代码！！