在TensorFlow中添加tf.keras.metrics.Precision时触发ValueError

错误原因 #

你使用的tf.keras.metrics.Precision默认要求标签为one-hot编码格式（形状与模型输出一致，如(None,4)），但通过image_dataset_from_directory加载的数据集是稀疏整数标签（形状为(None,1)，每个样本的标签是单个整数类别）。模型输出是(None,4)的softmax概率分布，两者形状不匹配，因此触发ValueError: Shapes (None, 4) and (None, 1) are incompatible错误。

而SparseCategoricalAccuracy是TensorFlow专门为稀疏整数标签设计的指标，所以能正常工作。

解决方案 #

直接使用针对稀疏标签的多分类精确率指标tf.keras.metrics.SparseCategoricalPrecision替换普通的Precision即可，无需修改数据集或损失函数。

修改后的编译代码片段 #

model.compile(
    optimizer=tf.keras.optimizers.Adam(learning_rate=0.0001),
    loss=tf.keras.losses.SparseCategoricalCrossentropy(),
    metrics=[
        tf.keras.metrics.SparseCategoricalAccuracy(name='accuracy'),
        tf.keras.metrics.SparseCategoricalPrecision(name="precision"),  # 替换为稀疏版本
    ]
)

额外说明 #

如果坚持使用普通Precision指标，需要将数据集的稀疏标签转换为one-hot编码，同时将损失函数改为CategoricalCrossentropy，示例如下（此方法相对繁琐）：

# 转换数据集标签为one-hot
train_set = train_set.map(lambda x, y: (x, tf.one_hot(y, depth=num_classes)))

# 修改损失函数和指标
model.compile(
    optimizer=tf.keras.optimizers.Adam(learning_rate=0.0001),
    loss=tf.keras.losses.CategoricalCrossentropy(),
    metrics=[
        tf.keras.metrics.CategoricalAccuracy(name='accuracy'),
        tf.keras.metrics.Precision(name="precision"),
    ]
)

内容的提问来源于stack exchange，提问作者Kun.tito