在Python中如何为TensorFlow编写自定义评价指标-Python教程-PHP中文网

正确继承方式是直接子类化tf.keras.metrics.Metric并重写__init__、update_state、result、reset_state四个方法；状态变量须用add_weight创建，update_state需加@tf.function且参数名为y_true/y_pred，result须返回tf.float32标量。

在python中如何为tensorflow编写自定义评价指标

TensorFlow 2.x 中 `tf.keras.metrics.Metric` 的正确继承方式

直接子类化 tf.keras.metrics.Metric 是唯一可靠的方式；用普通函数或 @tf.function 包裹的函数无法被 Keras 训练循环识别为指标，也不会在 model.evaluate() 或训练日志中更新。

关键点在于必须重写四个方法：__init__、update_state、result、reset_state。漏掉 reset_state 会导致多轮 evaluate 结果累积出错；漏掉 update_state 的 @tf.function 装饰（推荐加）可能引发图模式下张量未追踪问题。

常见错误现象：ValueError: Metric does not support graph mode —— 很可能是 update_state 没加 @tf.function，或内部用了非 TensorFlow 原生操作（如 np.argmax）。

所有状态变量（如 self.total、self.count）必须用 self.add_weight() 创建，不能用 Python 数值或 tf.Variable 手动初始化
update_state 的输入参数名必须是 y_true 和 y_pred（Keras 会按名传参），顺序不能颠倒
确保 result() 返回标量 tf.Tensor，类型建议显式转成 tf.float32

实现一个带阈值的自定义 F1 分数（binary F1）

F1 是典型需要累积 TP/TN/FP/FN 的指标，不能靠单批次结果简单平均。重点在于状态设计和逐批次更新逻辑是否与全局统计一致。

以下是最简可行实现（省略注释，仅保留核心）：

class BinaryF1Score(tf.keras.metrics.Metric):
    def __init__(self, threshold=0.5, name='binary_f1', **kwargs):
        super().__init__(name=name, **kwargs)
        self.threshold = threshold
        self.true_positives = self.add_weight(name='tp', initializer='zeros')
        self.false_positives = self.add_weight(name='fp', initializer='zeros')
        self.false_negatives = self.add_weight(name='fn', initializer='zeros')
<pre class="brush:php;toolbar:false;">@tf.function
def update_state(self, y_true, y_pred, sample_weight=None):
    y_pred = tf.cast(y_pred > self.threshold, tf.bool)
    y_true = tf.cast(y_true, tf.bool)

    tp = tf.math.count_nonzero(y_pred & y_true)
    fp = tf.math.count_nonzero(y_pred & ~y_true)
    fn = tf.math.count_nonzero(~y_pred & y_true)

    self.true_positives.assign_add(tf.cast(tp, tf.float32))
    self.false_positives.assign_add(tf.cast(fp, tf.float32))
    self.false_negatives.assign_add(tf.cast(fn, tf.float32))

def result(self):
    precision = self.true_positives / (self.true_positives + self.false_positives + 1e-6)
    recall = self.true_positives / (self.true_positives + self.false_negatives + 1e-6)
    return 2 * ((precision * recall) / (precision + recall + 1e-6))

def reset_state(self):
    self.true_positives.assign(0)
    self.false_positives.assign(0)
    self.false_negatives.assign(0)

注意：分母加 1e-6 是防止除零，不是可选优化——不加会在全负样本批次触发 NaN；tf.math.count_nonzero 必须作用于 bool 张量，否则结果不可靠。

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

在 `model.compile()` 中注册和使用时的兼容性陷阱

自定义指标对象可以直接传入 metrics 列表，但必须保证每次调用都返回新实例（不能复用同一对象），否则多个模型共用一个状态会互相污染。

✅ 正确：model.compile(..., metrics=[BinaryF1Score(), 'accuracy'])
❌ 错误：f1 = BinaryF1Score(); model.compile(..., metrics=[f1, 'accuracy']) —— 多次 fit() 或多模型时状态混乱
如果需动态传参（如不同阈值），必须在 compile 前创建实例，不能用 lambda 或闭包包装
Keras 2.9+ 支持字符串形式注册（通过 tf.keras.metrics.get），但自定义类不支持该机制，只能传实例

验证是否生效：运行 model.evaluate() 后检查返回列表长度是否匹配你传入的指标数；若缺失，大概率是类没正确继承或构造失败被静默跳过。