基于预训练VGG16的年龄回归自定义MAE指标失效，求修正方案

你的核心问题是用了分类任务的逻辑处理回归任务：原代码依赖argmax提取类别，但年龄回归的标签是连续数值，没有类别维度，直接用argmax会导致维度错误或逻辑完全偏离目标。

以下针对两种常见场景给出修正方案：

场景1：计算特定年龄值样本的MAE #

如果你的子文件夹对应单个年龄（比如20/、21/），需要计算该年龄样本的预测绝对误差均值：

import tensorflow.keras.backend as K

def single_age_mae(target_age):
    def mae(y_true, y_pred):
        # 筛选出真实年龄等于target_age的样本
        mask = K.cast(K.equal(y_true, target_age), K.floatx())
        # 避免除以0，当没有该年龄样本时返回极小值防止报错
        mask_sum = K.maximum(K.sum(mask), 1e-6)
        # 计算该年龄样本的绝对误差，再加权平均
        absolute_error = K.abs(y_true - y_pred) * mask
        return K.sum(absolute_error) / mask_sum
    mae.__name__ = f'mae_age_{target_age}'
    return mae

场景2：计算特定年龄区间样本的MAE #

如果子文件夹对应年龄区间（比如20-25/、26-30/），需要计算该区间内样本的MAE：

import tensorflow.keras.backend as K

def age_range_mae(min_age, max_age):
    def mae(y_true, y_pred):
        # 筛选出真实年龄在[min_age, max_age]区间的样本
        mask = K.cast(K.logical_and(y_true >= min_age, y_true <= max_age), K.floatx())
        mask_sum = K.maximum(K.sum(mask), 1e-6)
        absolute_error = K.abs(y_true - y_pred) * mask
        return K.sum(absolute_error) / mask_sum
    mae.__name__ = f'mae_age_{min_age}_{max_age}'
    return mae

使用方式 #

在编译模型时，将自定义指标传入：

from tensorflow.keras.applications import VGG16
from tensorflow.keras.layers import Dense, Flatten
from tensorflow.keras.models import Model

# 构建回归模型
base_model = VGG16(weights='imagenet', include_top=False, input_shape=(224,224,3))
x = Flatten()(base_model.output)
x = Dense(256, activation='relu')(x)
output = Dense(1, activation='linear')(x)  # 回归任务用linear激活
model = Model(inputs=base_model.input, outputs=output)

# 编译时添加自定义指标
model.compile(optimizer='adam', loss='mse', metrics=['mae', single_age_mae(25), age_range_mae(20,30)])

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