用于预测数字输出的自定义损失函数

Question

我希望我的 keras 网络预测 60..200 范围内的数字输出。以我的经验，在这种情况下，仅输出 sigmoid*140+60 或类似的效果非常差，将其转换为类会更好。

但是，我正在努力定义损失函数。显然，预测附近的类会更好，并且应该受到较少的惩罚。

下面的示例代码。网络显然会更复杂，并且可能部分是卷积的，但这只是开始。

当前代码给出错误：“IndexError: only integers, slices ( :), ellipsis ( ...), numpy.newaxis (`None') 和 integer or boolean arrays are valid indexes”。我想这是有道理的，因为反向传播限制了可以做的事情，但我不确定如何正确设计和调试损失函数。

classes = np.array(range(60,200,5))

nc = classes.shape[0]

def myloss(y_true, y_pred):

  pred_class = K.argmax(y_pred,axis=1)

  return K.sqrt( K.sum( K.square( classes[pred_class] - y_true ) ) )

in1 = Input(shape=(77,))

mid = Dense(50, activation='tanh')( in1 ) 

out = Dense(nc, activation='softmax')( mid ) 

model = Model(inputs=in1, outputs=out)

model.add_loss( myloss(sbp, out) )