由于数据无法一次放入内存，因此我正在使用tf.dataset API以流方式对其进行解析，并分别创建批量的 batch_size 序列。由于序列具有不同的长度，因此每个批次都会填充到该批次中最长序列的长度，因此发送到模型的张量的尺寸为（batch_size，max_sequence_length_in_batch，number_of_features）。 / p>
某些时间步骤应忽略： a）因为它们在那里仅是由于填充，或者 b）因为它们在其中一项功能中被标记为“无效”。
我正在使用遮罩层来遮盖两种类型的时间步长，以忽略它们。
问题：
1）我已经检查过Keras内部使用了掩码，以忽略损失并避免从“被掩码”的时间步中进行反向传播。在计算指标时，这些“掩盖的”时间步骤也会被忽略吗？
2）如果是这样，是否将使用类似于tf.sensitivity_at_specificity或https://gist.github.com/vsocrates/7ff65268c2ed533a62f8f9f9d86786af的策略，通过类似于Tensorflow https://github.com/keras-team/keras/blob/master/tests/keras/metrics_test.py#L115的全局有状态度量的自定义实现来忽略它们？请注意，自定义指标只能接收y_true和y_pred作为参数，因此任何涉及掩码的操作都必须由Keras进行（例如，在调用自定义指标之前过滤掉“被掩码”的时间步长）。