自定义损失函数必须继承tf.keras.losses.loss或实现callable接口，支持自动微分、形状对齐，且所有运算需用tf.*，禁用numpy操作和python控制流。
自定义损失函数必须继承 tf.keras.losses.Loss 或实现 callable 接口
TensorFlow 2.x 中，自定义损失函数不是随便写个 Python 函数就行——它得能被 tf.function 跟踪、支持自动微分、且输入输出张量形状对齐。最稳妥的方式是继承 tf.keras.losses.Loss 并重写 call 方法；如果只是简单逻辑，也可以直接返回一个接受 y_true 和 y_pred 的函数，但要注意避免 NumPy 操作或 Python 控制流。
-
y_true和y_pred都是tf.Tensor，不能调用.numpy()或len() - 所有数学运算必须用
tf.*（如tf.reduce_mean，而非np.mean） - 若需条件分支，用
tf.cond或tf.where，别用if/else - 示例：加权二分类损失
class WeightedBinaryCrossentropy(tf.keras.losses.Loss):
def __init__(self, pos_weight=1.0):
super().__init__()
self.pos_weight = pos_weight
<pre class="brush:php;toolbar:false;"><pre class="brush:php;toolbar:false;">def call(self, y_true, y_pred):
# y_pred 经过 sigmoid 后再算 loss，所以用 from_logits=False
bce = tf.keras.losses.binary_crossentropy(y_true, y_pred, from_logits=False)
weights = y_true * self.pos_weight + (1 - y_true)
return tf.reduce_mean(bce * weights)传入模型时必须确保 y_pred
的 shape 和 dtype 匹配损失计算预期很多报错其实不是损失函数写错了，而是模型最后一层输出和损失函数假设不一致。比如 binary_crossentropy 默认期望 y_pred 是 [0,1] 区间概率值，但如果你的模型最后一层是 Linear（即 from_logits=True），就必须显式设 from_logits=True，否则梯度会爆炸或 nan。
- 分类任务中，
y_true通常为 int 或 one-hot，y_pred必须是 float32/float64 - 回归任务中，注意
y_true和y_pred的维度是否对齐（例如 batch × 1 vs batch） - 多输出模型里，每个输出对应一个损失，需在
model.compile(loss=[...])中按顺序提供 - 调试技巧：在
call开头加tf.print("y_true:", tf.shape(y_true), "y_pred:", tf.shape(y_pred))
避免在损失函数里做不可微或副作用操作
损失函数参与反向传播，任何中断梯度流或引入非张量状态的操作都会让训练失败。常见陷阱包括调用 print()、修改全局变量、使用 random.random()、或依赖外部缓存。
-
tf.print()是可微的占位符，但只在 eager mode 下生效；图模式下会被忽略，不能用于 debug - 需要随机性（如 hard negative mining）必须用
tf.random.stateless_*并传入 seed - 不要在损失里调用
model.predict()或其它前向推理——这会导致嵌套图构建失败 - 如果必须访问模型中间层输出，应通过
tf.keras.Model的子类化方式，在call中一并返回，而不是在损失里重新跑一遍
验证自定义损失是否真正被梯度更新所使用
写完损失函数后，光看训练 loss 下降还不够——得确认参数确实在被这个损失驱动更新。最直接的方法是手动执行一次前向+反向，并检查梯度是否非空。
- 用
with tf.GradientTape() as tape:包裹模型调用和损失计算 - 调用
tape.gradient(loss, model.trainable_variables)，检查返回列表是否全非None - 如果某层梯度全为零，可能是损失没接上该层输出，或用了
tf.stop_gradient类操作 - 注意：自定义损失若返回标量（
tf.reduce_mean后），梯度才能正确广播回所有参数；返回向量会出错
最常被忽略的是损失函数内部 silent cast：比如把 y_true 当整数用 == 判断，结果因为 dtype 是 float32 导致永远不等。动手前先 tf.debugging.assert_equal 或打印 dtype。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
