在TensorFlow中训练ResNet/ResNeXt时如何计算宏、加权Precision和Recall？

一、原生tf.metrics.Precision/Recall得分相同的原因与解决方法 #

原因 #

tf.keras.metrics.Precision和Recall默认采用**微平均（micro）**计算：将所有类别的真阳性、假阳性、假阴性累加后计算整体指标。对于二分类任务+categorical_crossentropy（标签为one-hot编码）的场景，微平均的Precision和Recall结果会等于准确率，因此每一步输出的数值完全相同。

解决方法 #

直接使用TensorFlow Addons（tfa）中支持average参数的Precision和Recall指标，与你使用的F1Score保持框架一致：

import tensorflow_addons as tfa

# 定义加权平均的Precision、Recall
weighted_prec = tfa.metrics.Precision(num_classes=2, average='weighted')
weighted_recall = tfa.metrics.Recall(num_classes=2, average='weighted')

# 若需要宏平均，将average参数改为'macro'
macro_prec = tfa.metrics.Precision(num_classes=2, average='macro')
macro_recall = tfa.metrics.Recall(num_classes=2, average='macro')

# 模型编译
f1 = tfa.metrics.F1Score(num_classes=2, average='weighted')
model.compile(
    loss='categorical_crossentropy',
    optimizer="adam",
    metrics=[f1, weighted_prec, weighted_recall, macro_prec, macro_recall]
)

二、使用torchmetrics报错的原因与解决办法 #

原因 #

torchmetrics是PyTorch专属的指标库，无法直接与TensorFlow/Keras的模型兼容。TensorFlow输出的预测结果格式（形状、张量类型）与PyTorch的要求不匹配，因此会抛出形状不匹配的错误。

解决办法 #

放弃跨框架混用，统一使用TensorFlow生态的工具：

• 优先采用上述tfa提供的指标实现
• 若需要自定义逻辑，可基于tf.keras.metrics.Metric类实现自定义宏/加权平均指标，示例如下：

import tensorflow as tf

class MacroPrecision(tf.keras.metrics.Metric):
    def __init__(self, num_classes=2, name='macro_precision', **kwargs):
        super().__init__(name=name, **kwargs)
        self.num_classes = num_classes
        self.precisions = self.add_weight(name='precisions', shape=(num_classes,), initializer='zeros')
        self.counts = self.add_weight(name='counts', shape=(num_classes,), initializer='zeros')

    def update_state(self, y_true, y_pred, sample_weight=None):
        y_true = tf.argmax(y_true, axis=1)
        y_pred = tf.argmax(y_pred, axis=1)
        
        for cls in range(self.num_classes):
            true_positive = tf.reduce_sum(tf.cast(tf.logical_and(y_true == cls, y_pred == cls), tf.float32))
            predicted_positive = tf.reduce_sum(tf.cast(y_pred == cls, tf.float32))
            precision = true_positive / (predicted_positive + tf.keras.backend.epsilon())
            self.precisions[cls].assign_add(precision)
            self.counts[cls].assign_add(1.0)

    def result(self):
        return tf.reduce_mean(self.precisions / (self.counts + tf.keras.backend.epsilon()))

# 同理可实现MacroRecall、WeightedPrecision等自定义指标

内容的提问来源于stack exchange，提问作者javeqx