tensorflow MDA 自定义损失和 ValueError：没有为任何变量提供梯度答案

【问题标题】：tensorflow MDA custom loss and ValueError: No gradients provided for any variabletensorflow MDA 自定义损失和 ValueError：没有为任何变量提供梯度
【发布时间】：2022-12-04 07:28:19
【问题描述】：

我想使用 MDA（平均方向精度）作为张量流神经网络的自定义损失函数。

我正在尝试按照此处所述来实现： Custom Mean Directional Accuracy loss function in Keras

def mda(y_true, y_pred):
    s = K.equal(K.sign(y_true[1:] - y_true[:-1]),
                 K.sign(y_pred[1:] - y_pred[:-1]))
    return K.mean(K.cast(s, K.floatx()))

网络工作正常，但当我尝试拟合数据时出现此错误：

 ValueError: No gradients provided for any variable

我认为这是因为我正在从我的 pred 张量中丢失梯度信息，但我不知道如何实现这个......或者这是否有意义......最后我想预测是否有一些数字系列上升或下降，这就是为什么这个功能对我有意义。

【问题讨论】：

标签： python tensorflow keras loss-function

【解决方案1】：

看起来您看到的错误是因为您定义的 mda() 函数没有任何可微分操作。因此，TensorFlow 不知道如何计算函数的梯度，也无法使用反向传播优化神经网络的权重。

要解决此问题，您需要确保您的 mda() 函数仅使用可微分操作。这将允许 TensorFlow 计算函数的梯度并使用它们来优化网络的权重。

一种方法是在 mda() 函数中使用 tf.math.sign() 函数而不是 K.sign()，并使用 tf.math.reduce_mean() 函数而不是 K.mean()。这两个函数都是可微分的，因此 TensorFlow 将能够计算 mda() 函数的梯度并使用它们来优化网络的权重。

下面是一个示例，说明如何修改 mda() 函数以使用可微分操作：

import tensorflow as tf

def mda(y_true, y_pred):
    s = tf.equal(tf.math.sign(y_true[1:] - y_true[:-1]),
                 tf.math.sign(y_pred[1:] - y_pred[:-1]))
    return tf.math.reduce_mean(tf.cast(s, tf.float32))

这应该允许您将 mda() 函数用作 TensorFlow 神经网络的自定义损失函数。

【讨论】：