TensorFlow自定义Metric异常：预期0.5却始终返回0的问题

核心原因 #

你用了Python原生的if-else分支，但TensorFlow默认运行在图模式下，这种Python分支只会在构建计算图的阶段执行一次，不会在每次计算指标时动态判断随机数r的大小。

也就是说，当你把AttackAcc作为Metric传入model.compile时，TensorFlow会先生成一次r的值，然后通过if-else固定返回其中一个结果：如果当时生成的r>5，就会一直返回tf.equal(0.6, 0.2)（即False，对应数值0）；如果r<=5，就会一直返回tf.equal(0.6, 0.6)（即True，对应数值1）。你看到指标始终为0，说明构建图时恰好触发了r>5的分支，导致后续所有计算都返回0。

修复方案 #

把Python的if-else替换成TensorFlow原生的tf.cond操作，它能在图模式下每次计算指标时动态执行判断逻辑，实现你想要的50%概率返回1或0的效果：

def AttackAcc(y_true, y_pred):
    r = tf.random.uniform(shape=(), minval=0, maxval=11, dtype=tf.int32)
    # 使用tf.cond替代Python分支，确保每次计算都执行条件判断
    return tf.cond(
        tf.math.greater(r, tf.constant(5)),
        lambda: tf.math.equal(tf.constant(0.6), tf.constant(0.2)),  # r>5时返回False（0）
        lambda: tf.math.equal(tf.constant(0.6), tf.constant(0.6))   # r<=5时返回True（1）
    )

额外建议 #

如果需要更复杂的自定义Metric（比如需要累积批次结果），建议继承tf.keras.metrics.Metric类来实现，这样能更好地兼容TensorFlow的图模式和分布式训练场景。

内容的提问来源于stack exchange，提问作者Los