我正在按照此处找到的说明创建自定义损失函数。当我添加validation_data 时，我收到一条关于ValueError 的错误消息。当我设置validation_data=None 时，这个错误就消失了。我在 Stackoverflow 上发现了一个类似的问题，但我认为我的问题有所不同，因为我正在尝试使用自定义损失函数。

这是我的代码：

错误信息：

我有一个回归数据集，其中大约 95% 的目标变量为零（另外 5% 在 1 到 30 之间），我正在尝试设计一个 Tensorflow 模型来对该数据进行建模。我正在考虑实现一个结合了分类器和回归器的模型（检查分类器子模型的输出，如果它小于阈值，则将其传递给回归子模型）。我有直觉认为这应该使用功能 API 构建但我找不到有用的资源。有任何想法吗？

这是生成我用来复制问题的数据的代码：

注意：我尝试了概率模型（泊松回归和离散逻辑混合分布回归），它们提供了很好的结果，但训练不稳定（损失经常发散）。

我有一组与每条记录相关的结构化特征（仅获得约 0.70 的准确度）和一个文本字段（仅获得约 0.85 的准确度）。我开发了一个分类模型，它使用 Keras 功能 API 接受结构化和文本数据，但混合模型的性能远低于仅基于文本数据的模型：

我尝试了几种方法将结构化子模型的结果与文本子模型的结果结合起来（结合输出向量、结合输出概率、结合扁平输出、不同的激活函数……），但没有一个得到结果甚至与仅基于文本模型的模型一样好。任何想法？

问题总结

我使用功能 API 创建了 keras 模型，没有任何错误。

但是当我调用 model.summary() 时，没有任何层，只有参数存在。

当我调用 model.layers 时，返回空列表。

例如，我创建了简单的 mlp 模型。

上面的代码执行没有任何错误。但是当我调用摘要方法或图层方法时，没有任何图层出现。

但是尽管没有任何层，但该模型仍可以进行训练和推理。更奇怪的是，这只发生在 Google colab pro 上。在 kaggle 内核中，相同的代码可以毫无问题地创建所有层。

要使用功能 API 制作更复杂的模型，必须存在层。有谁知道这发生在google colab上的原因吗？

我使用以下代码：

我知道predict_categories应该是概率或置信度。

但是由于 predict_proba() 似乎不适用于 keras 功能 API，我应该如何正确获取 predict_categories？

我试过了

ROC 看起来像这样：

锐角ROC

和这个

ROC 看起来像这样：

AUC ~50% 的 ROC，应该是 85%

两个都不是我想象中的...

任何建议表示赞赏！

我的代码在 Epoch 5 之前运行良好，我看到此警告消息 ( WARNING:tensorflow:Early stopping conditioned on metric `val_prc` which is not available. Available metrics are: loss,tp,fp,tn,fn,accuracy,precision,recall,auc,prc WARNING:tensorflow:Can save best model only with val_prc available, skipping.) 后跟错误

这就是我的初始代码的样子。

我看过这个问题。它不适用于我的情况，直到一个月前，我的代码一直运行良好，没有任何错误或警告，我没有更改代码和数据中的任何内容。我正在使用张量流版本“2.1.3”

我正在尝试创建一个循环神经网络模型的自定义单元，其中单元接受 2 个张量作为输入。然后将 rnn 层链接到密集层。当我使用第二个输入来计算输出时，就会出现问题。事实上，如果我使用第二个输入来计算输出，我会得到错误

而当我不使用它时，训练继续进行，没有任何错误。如何进行？

现在我调用模型

调用方法中的形状

所以我以最简单的方式创建了一个 colab 文件，试图在其他数据集上重现相同的错误，这是链接 https://colab.research.google.com/drive/1QbOk6c7ulo89n8gJ1hFBMtpDDkuDEJ_Z?usp=sharing

我从这里挑选了数据集https://colab.research.google.com/github/DJCordhose/ml-workshop/blob/master/notebooks/tf2/time-series-rnn-full-predict.ipynb#scrollTo=8xcZIPH- gqJC并应用了一个简单的自定义 rnn 单元来重现相同的错误

这就是我想要做的，我发现我可以使用 tensorflow 的功能 API 提供多个输入，但我真正想做的是将红色和黄色 NN 的“输出”提供给绿色的，整个thing 训练为单个模型。A、B、C 和 D 是属性，E 是目标。我相信 A、B 和 C 一起以及 A、D 一起单独将捕获比所有作为输入的所有信息更多的信息，这样做的动机也是如此。我正在寻求有关使用 python 在 tensorflow 中编程此 NN 的帮助。

我正在研究帕金森病预测，并尝试实施Deep 1D-Convnet 文章中提到的“具有应用程序的专家系统第 143 卷，2020 年 4 月 1 日”中的模型，用于准确地检测帕金森病并从步态预测严重程度。模型如下，我尝试使用 18 个单独的 1D convnet 从 18 个单独的特征中提取深层特征。

为此，我使用两个函数conv1D_full()来创建单独的 1D 修道院，multiple_cnn1D(nb)将 18 个 convnet 组合到神经网络（nb=18）。

conv1D_full执行

multiple_cnn1D执行

训练

这是训练时的摘要和时代细节

但是当我尝试顺序模型时，它正在绘制模型

我使用 2 个输入和 keras 功能 API 应用了这个模型，我希望得到分类报告（精度、召回率、f1 分数、支持），而不仅仅是准确度......