为何Keras的Precision指标支持独热向量，Accuracy却不支持？

1. 不同指标的输入格式要求差异 #

• keras.metrics.Accuracy本质是二分类准确率指标，它期望输入的标签和预测值都是标量形式（比如单个0或1），通过逐元素判断是否相等来计算准确率。当你传入独热向量（形状(batch_size, num_classes)）时，它会把每个向量的每个元素当成独立样本的标签和预测值，比如标签[1,0]和预测[0.9,0.1]，它会分别比较1 vs 0.9（不相等）、0 vs 0.1（不相等），导致每个样本的贡献都是0，最终准确率为0。
• keras.metrics.CategoricalAccuracy是专门为多分类独热标签设计的指标，它的逻辑是：对每个样本，取预测输出的argmax得到预测类别索引，取独热标签的argmax得到真实类别索引，两者相等则判定为正确，完全匹配你的独热向量场景。

2. 为什么Precision可以正常工作 #

keras.metrics.Precision在多分类场景下，内部会自动处理标签格式：

• 对于独热标签，它会先通过argmax转换为类别索引；
• 对于Softmax输出的预测值，同样取argmax得到预测类别；
• 之后基于每个类别的真阳性（TP）和假阳性（FP）计算精度，因此不管标签是独热还是整数形式，都能正确解析计算。

3. 设计逻辑的合理性 #

这种区分并非“不一致”，而是为了明确不同场景的指标适配：

• 二分类场景用Accuracy（标量标签）；
• 多分类独热标签用CategoricalAccuracy；
• 多分类整数索引标签用SparseCategoricalAccuracy；
• 而Precision、Recall这类指标本身是基于类别混淆矩阵计算的，天然适配多种标签格式，所以无需拆分不同变体。

你的模型没有问题，只是选错了匹配标签格式的准确率指标。

内容的提问来源于stack exchange，提问作者user2999349