如何针对张量输入计算测试集平均相对误差（非反向传播用）

现有LSTM模型代码 #

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense
import tensorflow as tf
from tensorflow.keras import backend as K

def create_model():
    model = Sequential()
    model.add(LSTM(50, return_sequences=True, input_shape=(40002, 12)))
    model.add(LSTM(50, return_sequences=True))
    model.add(LSTM(50, return_sequences=True))
    model.add(tf.keras.layers.LSTM(30))
    model.add(Dense(2, activation='linear'))

    def rmse(Y_test, prediction):
        return K.sqrt(K.mean(K.square(Y_test-prediction)))

    # compile 
    model.compile(optimizer='adam', loss=rmse, metrics=['mean_squared_error', rmse])

    return model

# fit the model
model = create_model()
model.fit(x_train, Y_train, shuffle=False, verbose=1, epochs=10)
  
# predict model
prediction = model.predict(x_test, verbose=0)
print(prediction)

测试集平均相对误差计算需求 #

给定张量类型的Y_test（真实标签，每个样本含2个数值）和prediction（模型预测结果，维度与Y_test一致），需计算每个输出维度的平均相对误差，核心逻辑为：

• 对每个样本的每个输出维度，计算单个样本的相对误差：|真实值 - 预测值| / 真实值
• 对所有样本的同一维度相对误差取平均值，得到该维度的平均相对误差
• 最终输出为包含2个数值的结果，对应两个输出维度的平均相对误差

计算示例 #

Y_test = [[0.2, 0.003],
          [0.3, 0.008]]
prediction = [[0.4, 0.005],
              [0.5, 0.007]]

计算过程：

1. 第一维度相对误差：|0.2-0.4|/0.2=1，|0.3-0.5|/0.3≈0.6667 → 平均值≈0.833
2. 第二维度相对误差：|0.003-0.005|/0.003≈0.6667，|0.008-0.007|/0.008=0.125 → 平均值≈0.396
   最终结果：[0.833, 0.396]

实现代码（基于TensorFlow） #

由于该指标仅用于测试集评估，无需参与反向传播，直接使用张量操作实现即可：

import tensorflow as tf

def calculate_mean_relative_error(Y_test, prediction):
    # 添加极小值epsilon避免真实值为0时出现除以0错误
    epsilon = 1e-8
    # 计算每个样本每个维度的相对误差
    relative_error = tf.abs(Y_test - prediction) / (Y_test + epsilon)
    # 对所有样本求每个维度的平均值
    mean_re = tf.reduce_mean(relative_error, axis=0)
    return mean_re

# 调用示例
mean_relative_error = calculate_mean_relative_error(Y_test, prediction)
# 转换为numpy数组查看结果
print(mean_relative_error.numpy())

内容的提问来源于stack exchange，提问作者sp05