我正在训练一个网络来预测信号的到达角度。标签是 [-180, 180) 区间中的单个值。

我看到 ±180 度左右的预测不连续，这是有道理的，因为该间隙周围的损失是由均方根误差错误地计算的。

我正在寻找一种以模块化方式工作的损失函数。如果存在这种情况，则 175 度和 -175 度之间的差值应计算为 10（而不是 350）。

我的理解是这样的函数会引入不连续性，因此可能不是一种有效的方法。我正在寻找一些关于如何处理这些循环变量的指导，比如角度、一天中的小时、一周中的一天......

这已在“ Encoding Angle Data for Neural Network ”问题中得到解决，我觉得保持角度变量的线性很重要（我的输入也是几个角度），我使用 sin/cos 编码方法没有得到好的结果在那个问题中提出。这里也讨论了这个问题：从图像预测角度的模型的正确损失是什么？.

这是我目前正在做的事情，它适用于角度（-180、180）。

def metric_stddev_diff(y_true, y_pred):
    return tf.keras.backend.std(y_true - y_pred)

def model_create():

    model = tf.keras.Sequential([
        tf.keras.layers.Dense(128, activation='sigmoid', dtype='float64'),
        tf.keras.layers.Dense(64, activation='linear', dtype='float64'),
        tf.keras.layers.Dense(1, activation='linear', dtype='float64'),
    ])

    model.compile(optimizer='adam',  # 'rmsprop'  'adam',
                  loss='mean_absolute_error',  # 'mean_absolute_error'  'mean_squared_error'  'sparse_categorical_crossentropy'
                  metrics=['mean_absolute_error', metric_stddev_diff])

    return model