在Keras中使用自定义Precision指标时出现ValueError报错

报错原因 #

你的模型采用sigmoid激活函数，输出形状为(batch_size, 1)，仅输出正类的概率值，没有单独的负类概率维度。当你指定class_id=1时，Keras会尝试从模型输出的第1个维度（索引1）切片获取该类的预测结果，但你的输出只有1个维度（索引0），因此触发"维度1的切片索引1越界"的错误。

而使用字符串metrics=['Precision']时，Keras会自动适配二分类场景，默认计算正类的精度，无需手动指定class_id。

解决方案 #

方案1：保持二分类sigmoid输出，使用默认Precision实例

直接去掉class_id参数，Keras会自动处理二分类场景的精度计算：

from keras.models import Sequential
from keras.layers import Dense, Dropout
import numpy as np

model = Sequential()
model.add(Dense(90, input_dim=900, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(90, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

m = keras.metrics.Precision()  # 移除class_id参数
X_train = np.eye(900)
Y_train = np.ones((900, 1))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=[m])
model.fit(X_train, Y_train, epochs=50, batch_size=1000)

方案2：改为多分类输出格式（适合需明确指定class_id的场景）

如果必须使用class_id=1，需要将模型输出改为2维（对应两个类别），采用softmax激活，同时将标签转换为one-hot编码：

from keras.models import Sequential
from keras.layers import Dense, Dropout
import numpy as np

model = Sequential()
model.add(Dense(90, input_dim=900, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(90, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(10, activation='relu'))
model.add(Dense(2, activation='softmax'))  # 输出2个类别的概率

m = keras.metrics.Precision(class_id=1)
X_train = np.eye(900)
Y_train = np.ones((900, 1))
# 将标签转换为one-hot格式
Y_train = np.eye(2)[Y_train.astype(int).flatten()]

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=[m])
model.fit(X_train, Y_train, epochs=50, batch_size=1000)

内容的提问来源于stack exchange，提问作者Ejaz