Keras偏差自定义损失在n次迭代后返回NA

Question

我正试图将不成比例的泊松偏差作为惯例损失。我已经为此工作了一段时间，并且我已经解决了大多数问题，但是有最后一个我无法摆脱，我想知道你们中的任何人是否知道问题的根源。

当我使用自定义损失拟合模型时，它会完美启动，给我带来预期的偏差，但是在n个历元之后，它会开始将NaN作为输出，并且永远不会返回到实数。我无法说出它需要多少个历元，因为它是相当随机的，并且发生在一个历元的中间。

以下两个提供相同结果的类似自定义损失：

def custom_loss3(data, y_pred):
    y_true = data[:, 0]
    d = data[:, 1]

    lnYTrue = KB.switch(KB.equal(y_true, 0), KB.zeros_like(y_true), KB.log(y_true))
    lnYPred = KB.switch(KB.equal(y_pred, 0), KB.zeros_like(y_pred), KB.log(y_pred))
    loss_value = 2 * d * (y_true * lnYTrue - y_true * lnYPred[:, 0] - y_true + y_pred[:, 0])
    return loss_value

def deviance(data, y_pred):
    y_true = data[:, 0]
    d = data[:, 1]

    lnY = KB.log(y_true)
    bool1 = KB.equal(y_true, 0)
    zeros = KB.zeros_like(y_true)
    lnY = KB.switch(bool1, zeros, lnY)

    lnYp = KB.log(y_pred)
    bool2 = KB.equal(y_pred, 0)
    zeross = KB.zeros_like(y_pred)
    lnYp = KB.switch(bool2, zeross, lnYp)

    loss = 2 * d * (y_true * lnY - y_true * lnYp[:, 0] - y_true + y_pred[:, 0])
    return KB.sum(loss)

注意：y_true的取值范围是0到〜100，但是大多数时候都是0。这就是为什么我尝试在log（0）的情况下使用switch的原因。