TFF联邦学习中自定义Keras指标触发TypeError错误求助

错误原因分析 #

触发的TypeError核心原因有三点：

1. 损失参数类型不匹配：tff.learning.from_keras_model要求loss参数传入tf.keras.losses.Loss类的实例，而你传入的tf.keras.losses.MSE是损失函数的函数形式，不符合参数要求。
2. 自定义指标逻辑错误：当前BinaryTruePositives的update_state方法计算的是样本预测与真实值相等的均值（即准确率），并非真阳性（仅统计真实值和预测值都为1的样本数）。
3. 语法缩进错误：model_fn函数被错误缩进在BinaryTruePositives类内部，导致它成为类的方法而非独立函数，会引发额外的调用问题。

修复步骤与完整代码 #

1. 修正自定义真阳性指标 #

重新实现update_state方法，正确统计真阳性样本数：

class BinaryTruePositives(tf.keras.metrics.Metric):
    def __init__(self, name='binary_true_positives', **kwargs):
        super(BinaryTruePositives, self).__init__(name=name, **kwargs)
        self.true_positives = self.add_weight(name='tp', initializer='zeros')

    def update_state(self, y_true, y_pred, sample_weight=None):
        # 处理张量维度，确保y_true和y_pred形状一致
        y_true = tf.squeeze(y_true)
        y_pred = tf.squeeze(y_pred)
        
        # 将预测值转换为二分类标签（大于0则为1，否则为0）
        y_pred = tf.cast(tf.greater(y_pred, 0.0), tf.float32)
        
        # 计算真阳性：y_true=1 且 y_pred=1的样本
        true_pos = tf.cast(tf.logical_and(tf.equal(y_true, 1.0), tf.equal(y_pred, 1.0)), tf.float32)
        
        # 累加真阳性数量（若有样本权重则应用）
        if sample_weight is not None:
            sample_weight = tf.cast(sample_weight, tf.float32)
            true_pos = tf.multiply(true_pos, sample_weight)
        
        self.true_positives.assign_add(tf.reduce_sum(true_pos))

    def result(self):
        return self.true_positives

    def reset_states(self):
        self.true_positives.assign(0.0)

2. 修正模型函数的损失参数与缩进 #

将model_fn移到类外部，同时传入正确的Loss类实例：

def model_fn():
    keras_model = create_keras_model()  # 假设create_keras_model已正确定义
    return tff.learning.from_keras_model(
        keras_model,
        input_spec=preprocessed_example_dataset.element_spec,
        loss=tf.keras.losses.MeanSquaredError(),  # 使用Loss类实例而非函数
        metrics=[BinaryTruePositives()]
    )

关键说明 #

• 损失函数：Keras的损失分为类形式（如MeanSquaredError()）和函数形式（如MSE），TFF的from_keras_model仅接受类实例，需注意区分。
• 真阳性计算：必须明确统计y_true和y_pred同时为1的样本，而不是简单计算整体匹配率，否则指标名称与实际统计内容不符。

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