自定义损失函数应继承tf.keras.losses.Loss并重写call()方法，返回per-sample损失；避免直接用普通函数或tf.py_function（不可导）；不可访问模型内部状态，需通过参数传入或model.add_loss()；调试用tf.print，注意dtype一致。
自定义损失函数必须继承 tf.keras.losses.Loss 或实现 callable 接口
直接写一个普通函数（比如 def my_loss(y_true, y_pred)）虽然能跑通，但会丢失梯度追踪、batch 维度对齐、reduction 行为等关键能力，尤其在多 GPU、TPU 或 tf.function 装饰下容易静默失败或梯度为 0。
推荐做法是子类化 tf.keras.losses.Loss，并重写 call() 方法。这样能确保与 Keras 训练循环完全兼容：
class WeightedMSE(tf.keras.losses.Loss):
def __init__(self, weights=None, name="weighted_mse"):
super().__init__(name=name)
self.weights = weights # 可为 tensor 或 None
<pre class="brush:php;toolbar:false;">def call(self, y_true, y_pred):
squared_error = tf.square(y_true - y_pred)
if self.weights is not None:
squared_error = squared_error * self.weights
return tf.reduce_mean(squared_error, axis=-1)
注意：call() 返回的是 per-sample 损失（shape 为 [batch_size]），Keras 会在内部按 reduction 参数（默认 tf.keras.losses.Reduction.AUTO）做聚合，不要提前用 tf.reduce_mean(..., axis=[0,1]) 把 batch 和 feature 维度全压掉。
立即学习“Python免费学习笔记（深入）”；
使用 tf.py_function 包裹非 TF 原生逻辑要格外小心
如果你的损失涉及 NumPy 运算、文件读取、外部库调用（如 scipy.optimize），必须用 tf.py_function 封装，否则会报 TypeError: Cannot convert a symbolic Tensor to numpy 或在 @tf.function 下崩溃。
-
tf.py_function中的代码不参与图构建，无法被自动微分 —— 你必须手动提供grad参数或改用可导近似 - 输入 tensor 会被转成 numpy array，输出也需显式转回 tensor，且 dtype 必须匹配（例如返回
np.float32，不能是float64） - 性能较差，避免在每步训练中调用 IO 或高开销计算
示例（仅用于演示，实际慎用）：
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
def numpy_based_loss(y_true, y_pred):
# 注意：这里 y_true/y_pred 是 numpy 数组
diff = np.abs(y_true - y_pred)
return np.log1p(diff).astype(np.float32)
<p>def tf_numpy_loss(y_true, y_pred):
return tf.py_function(
func=numpy_based_loss,
inp=[y_true, y_pred],
Tout=tf.float32
)
这种写法绕过了自动求导，训练会失败 —— 真要用，得额外注册梯度函数，复杂度陡增。
损失函数里访问模型状态（如 dropout mask、中间层输出）不可行
损失函数接收的只是 y_true 和 y_pred，它不知道模型结构、训练模式（training=True/False）、也不持有任何层引用。想在损失中引入 KL 散度、对比学习正负对、或基于某层激活的正则项，必须把所需张量作为额外输入传进来，或者改用 model.add_loss() 方式注入。
- 错误做法：在损失函数里写
model.layers[2].output——model不在作用域内 - 正确做法 1：在
call()中接受第三个参数，由自定义训练循环传入中间特征 - 正确做法 2：在模型构建时用
model.add_loss(lambda: tf.keras.losses.kl_divergence(z_mean, z_log_var))，该 loss 会在总 loss 中自动累加
后者更干净，但只适用于无 y_true 依赖的 unsupervised 正则项；前者灵活但要求你控制整个训练 step。
调试时打印值会中断图执行，优先用 tf.print 而非 print
在 call() 里写 print(y_pred.shape) 看不出结果，因为 Eager 模式下可能不触发，Graph 模式下直接被忽略。要用 tf.print，它能在图中插入日志节点：
def call(self, y_true, y_pred):
tf.print("y_true shape:", tf.shape(y_true), "y_pred shape:", tf.shape(y_pred))
# ... compute loss
注意：tf.print 默认输出到 stderr，不阻塞执行，但频繁调用会影响性能；上线前应移除。另外，它不能打印 Python 对象（如 list、dict），只能打印 tensor 或可转为 tensor 的值。
最易被忽略的一点：自定义损失函数的 dtype 必须与模型输出一致。如果模型最后一层是 tf.float64，而你的损失里用了 tf.float32 常量（比如 1e-8），会导致隐式类型转换失败或梯度消失。统一用 tf.keras.mixed_precision.global_policy().compute_dtype 查询当前策略，或显式 cast。
