实现自定义精度作为损失函数

Question

我正在尝试更改用于训练图像质量评估CNN的损失函数，以查看结果是否更好

对于每个输入图像，模型输出均为10个值，这些值应代表质量为1 / 10、2 / 10，...，10/10的图像的百分比

要评估模型，我有多个指标，其中之一是自定义的两级准确性。给定每个图像的预测值和真实值10，通过检查两种情况下它们的加权平均值之和（大于或小于5）来比较它们的加权平均值之和（基本上获得平均值）。

tensorflow之外的代码非常简单：

def compute_wms(y):
    # Numpy vector of weights
    w = np.arange(1,11).astype('float32')
    w = np.reshape(w, (10,1))

    # wms of y by w
    return np.dot(y, w)

def custom_accuracy(y, y_first):

    # Compute the wms of both y and y_first
    y_wms = compute_wms(y)
    y_first_wms = compute_wms(y_first)

    # Are the obtained values greater than 5?
    y_true_bool = np.greater(y_wms, 5)
    y_pred_bool = np.greater(y_first_wms, 5)

    # The results of the previous tests are compared for each image 
    matches = np.equal(y_true_bool, y_pred_bool).astype('float32')

    # The mean of the previous tests is returned
    return np.mean(matches)

当我尝试将代码转换为Tensorflow的损失函数时，问题就来了。简单地将numpy更改为Keras后端是行不通的，因为至少一个函数不可区分。我试图在网上寻找一些建议，但是建议很多，但我敢肯定，“更大”和“相等”的功能是有问题的。我看到例如类似的question，即使我使用建议的“更大”（btw不会返回布尔值）功能，最后我仍将需要一个均值来比较结果，因此“等于” “功能

关于如何进行的任何建议？