混淆矩阵全零主因是label与prediction的dtype不一致，需同为int32或int64；须用tf.argmax取类别索引并显式tf.cast转整型，且二者必须为一维张量，num_classes应显式指定。
混淆矩阵输出结果全是0？检查label和prediction的dtype是否一致
直接用 tf.math.confusion_matrix 却得到全零矩阵，大概率是 labels 和 predictions 类型不匹配。该函数要求二者必须同为 int32 或 int64；如果其中一个是 float32（比如模型输出未取整的logits或prob），就会静默截断为0，导致整个矩阵归零。
实操建议：
- 用
tf.cast(labels, tf.int32)和tf.cast(tf.argmax(predictions, axis=-1), tf.int32)显式转换 - 别依赖
predictions原始输出——即使你做了softmax，也要用argmax得到类别索引，再转整型 - 加一句
assert labels.dtype == predictions.dtype == tf.int32在调用前快速捕获类型问题
维度不对报InvalidArgumentError？确认输入是一维张量
tf.math.confusion_matrix 只接受一维 labels 和一维 predictions。如果你传入的是 batch×classes 的 logits（如 shape=(32, 10)）或带 batch 维度的标签（如 shape=(32, 1)），会直接报错：InvalidArgumentError: Labels must be 1-D。
实操建议：
- 预测侧：用
tf.argmax(y_pred, axis=1)→ 得到 shape=(batch_size,) 的 int32 向量 - 标签侧：如果是 one-hot，先
tf.argmax(y_true, axis=1)；如果是 sparse 标签，确保它已经是 shape=(batch_size,) 且 dtype=int32 - 调试时打印
tf.shape(labels), tf.shape(predictions)，确认两者都是 rank-1
类别数没对上？num_classes参数不能靠猜
默认 num_classes 是基于输入最大值自动推断的，但容易出错：比如测试集没覆盖全部类别，最大值偏小，矩阵列数就不够，导致类别错位甚至索引越界。
实操建议：
- 显式传入
num_classes=10（按你的任务真实类别数），不要省略 - 如果类别从1开始编号（比如 label=1~10），记得先
labels - 1再传入，否则第0行永远空着 - 若用
tf.keras.metrics.ConfusionMatrix（旧版TF），注意它已被弃用，坚持用tf.math.confusion_matrix+ 手动tf.print或tf.py_function转 numpy 更可控
想可视化或导出为numpy数组？绕过EagerTensor限制
在 tf.function 或 graph mode 下，tf.math.confusion_matrix 返回的是 EagerTensor 或符号张量，不能直接用 np.array() 转换，会报 OperatorNotAllowedInGraphError。
实操建议：
- 训练中调试：用
tf.print("cm:", cm)查看数值（支持 tensor 直接打印） - 评估阶段导出：在
@tf.function外、eager 模式下计算，或用tf.py_function(func=lambda x: x.numpy(), inp=[cm], Tout=tf.float32) - 更稳妥的做法：在
model.evaluate()后用原生 numpy 处理 —— 把y_true和y_pred转成 numpy，再调用sklearn.metrics.confusion_matrix，避免 TF 张量生命周期干扰
真正麻烦的不是调用函数本身，而是 label 编码方式、维度隐含假设、以及 eager/graph 模式切换时的 tensor 生命周期——这些地方不动手试一次，光看文档很难意识到哪步悄悄变了数据形态。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
