自定义损失函数需为双参数可调用对象，用partial或闭包预设超参；metric必须继承tf.keras.metrics.metric并实现update_state、result、reset_state；多输出模型需用字典指定loss和metrics。

如何使用python在tensorflow中实现自定义的损失函数和评估指标？

如何在 tf.keras.Model 中正确注册自定义损失函数

TensorFlow 要求自定义损失函数必须是可调用对象，且签名必须为 loss_fn(y_true, y_pred)，不能多参数或少参数。常见错误是直接传入带额外参数的函数（比如 my_loss(y_true, y_pred, alpha=0.5)），这会导致训练时报错 ValueError: Expected 2 arguments, got 3。

正确做法是用闭包或 functools.partial 预设超参：

import tensorflow as tf
from functools import partial
<p>def focal_loss(y_true, y_pred, gamma=2.0, alpha=0.25):
epsilon = tf.keras.backend.epsilon()
y_pred = tf.clip_by_value(y_pred, epsilon, 1. - epsilon)
pt = y_true <em> y_pred + (1 - y_true) </em> (1 - y_pred)
ce = -tf.log(pt)
weight = alpha <em> tf.pow(1 - pt, gamma)
return tf.reduce_mean(weight </em> ce)</p><h1>✅ 正确：用 partial 固定超参后传入 compile</h1><p>model.compile(
optimizer='adam',
loss=partial(focal_loss, gamma=2.0, alpha=0.75),
metrics=['accuracy']
)</p>

不要在 loss 参数里直接调用函数（如 loss=focal_loss(...)），那会立刻执行并返回标量，不是函数
y_true 和 y_pred 是 batch 维度的张量，务必使用 TensorFlow 原生运算（tf.*），避免混用 NumPy
如果 loss 需访问模型状态（如正则项），应改写为 tf.keras.losses.Loss 子类，并重写 call()

为什么自定义 metric 必须继承 tf.keras.metrics.Metric

简单函数（如 def f1_score(y_true, y_pred): ...）不能直接用于 metrics=[f1_score]，因为 Keras 在训练中需要跨 batch 累积状态（如 TP、FP、FN），而普通函数每次只看到当前 batch，无法计算全局 F1。

必须用类方式实现，手动管理状态变量：

class F1Score(tf.keras.metrics.Metric):
    def __init__(self, name='f1_score', **kwargs):
        super().__init__(name=name, **kwargs)
        self.precision = tf.keras.metrics.Precision()
        self.recall = tf.keras.metrics.Recall()
<pre class="brush:python;toolbar:false;">def update_state(self, y_true, y_pred, sample_weight=None):
    self.precision.update_state(y_true, y_pred, sample_weight)
    self.recall.update_state(y_true, y_pred, sample_weight)

def result(self):
    p = self.precision.result()
    r = self.recall.result()
    return 2 * ((p * r) / (p + r + tf.keras.backend.epsilon()))

def reset_state(self):
    self.precision.reset_state()
    self.recall.reset_state()

✅ 注册后即可使用

model.compile(..., metrics=[F1Score()])

python 查询技能

查询客流数据，输出JSON格式，可直接导入Bitable等可视化工具

下载

不能只重写 __call__ —— Keras 不会调用它来累积；必须实现 update_state、result、reset_state
内部尽量复用现有 metric（如 Precision、Recall），避免手动维护 self.true_positives 等变量出错
如果 metric 依赖模型输出以外的中间层（如 attention weights），需改用 tf.keras.callbacks.Callback 在 on_batch_end 中提取

如何调试自定义 loss/metric 返回 NaN 或 Inf

训练中 loss 突然变成 nan，90% 情况源于自定义函数里的数值不稳定操作：除零、log(0)、sqrt(负数)。TensorFlow 默认不报错，只静默传播 NaN。

开启调试最有效的方法是插入 tf.debugging 断言：

def safe_focal_loss(y_true, y_pred):
    y_pred = tf.clip_by_value(y_pred, 1e-7, 1-1e-7)  # 防 log(0)
    pt = y_true * y_pred + (1 - y_true) * (1 - y_pred)
    tf.debugging.assert_all_finite(pt, 'pt contains NaN/Inf')
    ce = -tf.math.log(pt)
    tf.debugging.assert_all_finite(ce, 'ce contains NaN/Inf')
    return tf.reduce_mean(ce)

训练前先用小 batch 数据单独测试 loss/metric 函数，输入 y_true 和 y_pred 张量，检查输出是否为标量且 finite
禁用 tf.function 编译（加 @tf.function(autograph=False)）可让错误堆栈更清晰，便于定位行号
GPU 上 NaN 更难追踪，可临时设 os.environ['TF_DETERMINISTIC_OPS'] = '1' 减少随机性干扰

在多输出模型中为不同输出指定不同 loss 和 metric

当模型有多个输出（如主任务 + 辅助任务），不能只传一个 loss 函数，否则所有输出共享同一 loss 计算，结果不可控。

必须用字典明确映射：

model = tf.keras.Model(inputs=inp, outputs={'main': out1, 'aux': out2})
<p>model.compile(
optimizer='adam',
loss={
'main': 'sparse_categorical_crossentropy',
'aux':  lambda y_true, y_pred: tf.keras.losses.mse(y_true, y_pred) * 0.3
},
loss_weights={'main': 1.0, 'aux': 0.3},
metrics={
'main': ['accuracy'],
'aux': [tf.keras.metrics.MeanAbsoluteError()]
}
)</p>