解決方案好的，我確實(shí)找到了解決方案，也許不是最好的解決方案。本質(zhì)上只是創(chuàng)建了一個(gè)使用TensorFlow的GradientTape的新方法。本質(zhì)上，獲取預(yù)測(cè)、生成目標(biāo)、計(jì)算損失然后更新梯度。with tf.GradientTape() as tape:    # Forward pass    y_preds = self.model(x, training=True)    # Generate the target values from the predictions    actual_deltas, actual_objectness = self.generate_target_values(y_preds, labels)    #Get the loss    loss = self.model.compiled_loss([actual_deltas, actual_objectness], y_preds, regularization_losses=self.model.losses)# Compute gradientstrainable_vars = self.model.trainable_variablesgradients = tape.gradient(loss, trainable_vars)# Update weightsself.model.optimizer.apply_gradients(zip(gradients, trainable_vars))我知道使用 Keras 子類化有更好的方法來(lái)做到這一點(diǎn)，但這確實(shí)起到了作用。原帖我目前正在嘗試創(chuàng)建一個(gè)模型，其中需要通過一個(gè)函數(shù)運(yùn)行預(yù)測(cè)，該函數(shù)將它們與訓(xùn)練標(biāo)簽進(jìn)行比較。然后此函數(shù)將返回目標(biāo)值。如何訓(xùn)練我的模型，以便將預(yù)測(cè)輸入到我的函數(shù)中并返回函數(shù) pred。我正在使用 Tensorflow 2.1.0 和 Keras 2.2.4-tf編輯：該模型是修改后的 Faster-RCNN 模型。我正在嘗試添加該函數(shù)，該函數(shù)接受預(yù)測(cè)（2xN 和 4xN 向量），將它們轉(zhuǎn)換為邊界框，將它們與地面實(shí)況邊界框進(jìn)行比較，然后返回每個(gè)建議的邊界框值應(yīng)該是什么, 為了正確地覆蓋這個(gè)邊界框。