必须重写 call 而非 call__，因基类已实现 __call 来处理样本权重与 reduction；call 需专注逐样本损失计算，签名固定为 call(self, y_true, y_pred, sample_weight=None)，返回 (batch_size,) 张量。
继承 tf.keras.losses.Loss 时为什么必须重写 call 而不是 __call__
因为 tf.keras.losses.Loss 基类已实现 __call__，它负责自动处理样本权重、reduction 等通用逻辑；你只需专注计算“原始逐样本损失”，这个逻辑必须放在 call 方法里。否则模型训练会静默跳过你的计算，或报 NotImplementedError。
常见错误现象：
• 模型 loss 值恒为 0 或 nan
• TypeError: call() missing 1 required positional argument: 'y_pred'
• 自定义逻辑完全没生效（比如打印调试语句不触发）
- 必须用
class MyLoss(tf.keras.losses.Loss)形式继承，不能只写函数 -
call方法签名固定为call(self, y_true, y_pred, sample_weight=None)；sample_weight参数必须显式声明（即使不用），否则 Keras 内部调用会出错 - 返回值必须是 shape 为
(batch_size,)的 tensor，不能是标量（如tf.reduce_mean(...)）——那是reduction阶段的事
y_true 和 y_pred 的 shape 与 dtype 容易对不齐
尤其在多任务、序列、分割等场景下，Keras 不会帮你 reshape 或 cast，错位会导致 silent broadcast 错误或梯度为 0。
使用场景举例：做带 mask 的序列标注损失，y_true 是 (batch, seq_len) 的 int 类别索引，y_pred 是 (batch, seq_len, num_classes) 的 logits —— 你得自己用 tf.gather_nd 或 tf.one_hot 对齐维度。
立即学习“Python免费学习笔记（深入）”；
- 务必检查
y_true.dtype：分类任务常用tf.int32，但某些数据加载器可能输出float32，导致tf.nn.sparse_softmax_cross_entropy_with_logits报错 - 如果
y_pred是 logits（未 softmax），别手快写tf.keras.losses.categorical_crossentropy(y_true, y_pred, from_logits=True)—— 这是函数式 API，和自定义类的call无关；你要直接调用底层 op，比如tf.nn.softmax_cross_entropy_with_logits - 涉及 mask 时，不要在
call外做 mask 过滤（如y_true[mask]），这会破坏 batch 维度一致性，改用tf.where+tf.scatter_nd或乘以 float mask
如何安全地加正则项或辅助 loss 到自定义 call
不能直接在 call 里调用 model.add_loss()，那属于图构建阶段逻辑，而 call 是前向执行阶段。强行调用会报 ValueError: No gradients provided for any variable。
正确做法是把辅助项作为额外输出，在训练 step 中统一处理；或者更简单：用 tf.keras.losses.Loss 的子类机制本身不支持“动态加 loss”，所以辅助项得塞进主 loss 计算里。
- 想加 L2 正则惩罚？别在
call里算tf.nn.l2_loss(model.trainable_variables)—— 变量列表在call里不可见；应改用model.add_loss()在call外、train_step内调用 - 若只是简单加一个标量系数项（如对比损失里的 margin），可写成：
base_loss + 0.1 * tf.maximum(0.0, margin - similarity)，确保所有张量 shape 兼容 - 注意梯度流：所有参与计算的中间变量必须来自
y_true或y_pred，否则梯度断掉。例如用tf.random.normal生成噪声参与 loss 计算，会导致反向传播失败
验证自定义 loss 是否真正参与梯度更新
最直接的方式不是看 loss 值下降，而是检查对应层权重是否真的在变 —— 很多时候 loss 输出正常，但梯度根本没传到前面层。
性能影响：自定义 call 中避免 Python for 循环、print、np.xxx 调用，全部换成 tf ops；否则会强制退出 graph mode，退化为 eager 执行，训练慢几倍。
- 加一行
tf.debugging.check_numerics(y_pred, 'y_pred has nan')在call开头，能早发现 inf/nan 污染 - 用
tf.GradientTape单独测：with tf.GradientTape() as t: loss = my_loss(y_true, y_pred); grads = t.gradient(loss, model.trainable_variables)，确认grads列表里没有None - 如果 loss 依赖外部状态（如 moving average），别存成
self.xxx实例变量 —— Keras 可能跨 replica 复制对象，状态不同步；改用tf.Variable并设aggregation=tf.VariableAggregation.MEAN
事情说清了就结束
