添加F1Score指标时TensorFlow报错：ValueError类型不匹配求助

问题根源 #

1. 数据类型不匹配：image_dataset_from_directory生成的标签是int32类型，而模型通过sigmoid输出的预测值是float32类型，F1Score计算时要求两者 dtype 严格一致。
2. F1Score参数配置错误：默认的tf.keras.metrics.F1Score()采用多分类模式（average=None），与你的二分类任务（使用binary_crossentropy）不匹配，导致内部张量处理逻辑出错。

修复步骤 #

1. 转换标签数据类型 #

在数据集预处理阶段，将标签转为float32，与模型输出类型对齐：

def load_dataset(dataset_dir, batch_size=32, img_height=224, img_width=224):
    ds = tf.keras.preprocessing.image_dataset_from_directory(
        dataset_dir, seed=123, image_size=(img_height, img_width), batch_size=batch_size
    )

    def preprocess_data(image, label):
        image = preprocess_input(image)
        label = tf.cast(label, tf.float32)  # 新增：将标签转为float32
        return image, label

    ds = ds.map(preprocess_data)

    return ds

2. 正确配置F1Score参数 #

针对二分类任务，指定average='binary'和合适的阈值（模型用sigmoid输出时，默认0.5即可）：

def compile_model(self):
    self.model.compile(
        optimizer=optimizer,
        loss="binary_crossentropy",
        metrics=[
            "accuracy",
            tf.keras.metrics.Precision(),
            tf.keras.metrics.Recall(),
            tf.keras.metrics.F1Score(average='binary', threshold=0.5),  # 修改此处参数
        ],
    )

补充说明 #

• 如果你的模型最后一层使用的是softmax（二分类不推荐），需要调整输出维度和F1Score参数，但二分类任务更适合用sigmoid+单个输出节点。
• Precision和Recall指标在TensorFlow 2.15中会自动兼容类型差异，但F1Score的类型检查更严格，因此必须显式对齐 dtype。

内容的提问来源于stack exchange，提问作者Toby V.