TensorFlow二分类任务添加F1Score宏平均指标返回None的问题

问题原因 #

tf.keras.metrics.F1Score设置average="macro"时，默认要求模型输出为多分类格式（形状为(batch_size, num_classes)，即每个样本对应所有类别的概率）。而二分类任务常用sigmoid激活输出单个概率值（形状为(batch_size, 1)），指标无法正确解析类别维度，导致计算结果为None。

解决方案 #

根据模型输出格式，选择以下两种方案之一：

方案1：适配多分类输出格式（使用softmax） #

若选择调整模型为多分类输出结构：

1. 模型最后一层改为2个神经元，搭配softmax激活：

model = tf.keras.Sequential([
    # 你的其他网络层
    tf.keras.layers.Dense(2, activation='softmax')
])

2. 将标签转换为one-hot编码（原标签为0/1时）：

y_train_onehot = tf.one_hot(y_train, depth=2)
y_val_onehot = tf.one_hot(y_val, depth=2)

3. 编译模型时使用categorical_crossentropy损失，原F1Score指标即可正常计算：

model.compile(
    optimizer='adam',
    loss="categorical_crossentropy",
    metrics=['accuracy', tf.keras.metrics.F1Score(threshold=0.5, average="macro")]
)

方案2：自定义二分类宏平均F1指标（适配sigmoid输出） #

若想保留sigmoid单输出的二分类结构，可自定义指标单独计算正负类F1后求平均：

import tensorflow as tf

class BinaryMacroF1(tf.keras.metrics.Metric):
    def __init__(self, name='binary_macro_f1', threshold=0.5, **kwargs):
        super().__init__(name=name, **kwargs)
        self.threshold = threshold
        # 正类精确率、召回率
        self.prec_pos = tf.keras.metrics.Precision(threshold=threshold)
        self.recall_pos = tf.keras.metrics.Recall(threshold=threshold)
        # 负类精确率、召回率
        self.prec_neg = tf.keras.metrics.Precision(threshold=threshold)
        self.recall_neg = tf.keras.metrics.Recall(threshold=threshold)

    def update_state(self, y_true, y_pred, sample_weight=None):
        # 更新正类指标
        self.prec_pos.update_state(y_true, y_pred, sample_weight)
        self.recall_pos.update_state(y_true, y_pred, sample_weight)
        # 反转标签和预测值，计算负类指标
        y_true_neg = 1 - y_true
        y_pred_neg = 1 - y_pred
        self.prec_neg.update_state(y_true_neg, y_pred_neg, sample_weight)
        self.recall_neg.update_state(y_true_neg, y_pred_neg, sample_weight)

    def result(self):
        # 计算正负类F1并求平均
        f1_pos = 2 * (self.prec_pos.result() * self.recall_pos.result()) / (self.prec_pos.result() + self.recall_pos.result() + tf.keras.backend.epsilon())
        f1_neg = 2 * (self.prec_neg.result() * self.recall_neg.result()) / (self.prec_neg.result() + self.recall_neg.result() + tf.keras.backend.epsilon())
        return (f1_pos + f1_neg) / 2

    def reset_state(self):
        # 重置指标状态
        self.prec_pos.reset_state()
        self.recall_pos.reset_state()
        self.prec_neg.reset_state()
        self.recall_neg.reset_state()

编译模型时使用该自定义指标：

model.compile(
    optimizer='adam',
    loss="binary_crossentropy",
    metrics=['accuracy', BinaryMacroF1(threshold=0.5)]
)

内容的提问来源于stack exchange，提问作者amirhossien derakhshan