TensorFlow Keras多分类任务中召回率与精确率指标获取方案咨询

针对你的3分类任务，无需手动转换预测结果为类别标签，TensorFlow Keras的内置Recall和Precision指标支持直接适配多分类场景，只需为每个类别单独创建指标实例即可在训练epoch中实时监控。

方案一：使用内置指标的class_id参数 #

TensorFlow的Recall和Precision类提供了class_id参数，用于指定计算某一特定类别的指标值。结合你的sparse标签（整数形式），可以直接在模型编译时加入这些指标：

import tensorflow as tf
from tensorflow.keras.layers import Dense
from tensorflow.keras.metrics import Recall, Precision

# 假设你的模型结构已定义，最后一层如下
output = Dense(3, activation='softmax')(attention_mul)

# 为每个类别创建召回率和精确率指标，自定义名称方便日志识别
recall_class_0 = Recall(class_id=0, name='recall_class_0')
recall_class_1 = Recall(class_id=1, name='recall_class_1')
recall_class_2 = Recall(class_id=2, name='recall_class_2')

precision_class_0 = Precision(class_id=0, name='precision_class_0')
precision_class_1 = Precision(class_id=1, name='precision_class_1')
precision_class_2 = Precision(class_id=2, name='precision_class_2')

# 编译模型时加入所有需要监控的指标
model.compile(
    loss=tf.keras.losses.sparse_categorical_crossentropy,
    optimizer='Adam',
    metrics=[
        'accuracy',
        recall_class_0, recall_class_1, recall_class_2,
        precision_class_0, precision_class_1, precision_class_2
    ]
)

# 训练模型时，每个epoch会自动输出所有指标的结果
model.fit(x_train, y_train, epochs=10, validation_data=(x_val, y_val))

原理说明 #

• 内置指标会自动处理模型输出的概率向量：内部会对y_pred执行argmax操作得到预测类别标签，无需手动转换。
• 由于使用sparse_categorical_crossentropy，输入的y_true是整数形式，指标可以直接兼容，无需转换为one-hot编码。
• 每个epoch结束后，训练日志会显示每个类别的召回率、精确率以及整体准确率，方便实时监控。

方案二：自定义指标函数（灵活扩展） #

如果需要更个性化的计算逻辑，可以为每个类别单独编写自定义指标函数：

import tensorflow as tf

def recall_class_0(y_true, y_pred):
    # 将概率向量转换为预测类别
    y_pred = tf.argmax(y_pred, axis=1)
    # 计算该类别的真阳性样本数
    true_positives = tf.reduce_sum(tf.cast(
        tf.logical_and(tf.equal(y_true, 0), tf.equal(y_pred, 0)),
        tf.float32
    ))
    # 计算该类别的实际阳性样本数
    possible_positives = tf.reduce_sum(tf.cast(tf.equal(y_true, 0), tf.float32))
    # 加入epsilon避免除以0
    return true_positives / (possible_positives + tf.keras.backend.epsilon())

# 同理编写其他类别的召回率和精确率函数
def recall_class_1(y_true, y_pred):
    y_pred = tf.argmax(y_pred, axis=1)
    true_positives = tf.reduce_sum(tf.cast(
        tf.logical_and(tf.equal(y_true, 1), tf.equal(y_pred, 1)),
        tf.float32
    ))
    possible_positives = tf.reduce_sum(tf.cast(tf.equal(y_true, 1), tf.float32))
    return true_positives / (possible_positives + tf.keras.backend.epsilon())

def precision_class_0(y_true, y_pred):
    y_pred = tf.argmax(y_pred, axis=1)
    true_positives = tf.reduce_sum(tf.cast(
        tf.logical_and(tf.equal(y_true, 0), tf.equal(y_pred, 0)),
        tf.float32
    ))
    # 计算该类别的预测阳性样本数
    predicted_positives = tf.reduce_sum(tf.cast(tf.equal(y_pred, 0), tf.float32))
    return true_positives / (predicted_positives + tf.keras.backend.epsilon())

# 编译模型时加入自定义指标
model.compile(
    loss=tf.keras.losses.sparse_categorical_crossentropy,
    optimizer='Adam',
    metrics=['accuracy', recall_class_0, recall_class_1, precision_class_0]
)

注意事项 #

• 自定义指标函数需返回单个标量值，每个函数对应一个类别的指标，这样训练日志才能正常显示。
• 加入tf.keras.backend.epsilon()是为了避免当分母为0时出现NaN的情况。

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