TensorFlow2.x语义分割自定义Specificity指标实现问题求助

问题一：训练正常但验证阶段形状不匹配 #

问题原因 #

result方法中使用tf.expand_dims将结果转为(1,)形状的张量，但Keras期望指标返回标量结果。验证阶段更新指标变量时，变量形状是(1,)，但实际赋值的是标量，导致形状不匹配报错。此外原代码未传递sample_weight，也未处理分母为0的边界情况。

修复代码 #

class Specificity(tf.keras.metrics.Metric):
    def __init__(self, **kwargs):
        super().__init__(**kwargs)
        self.tn = tf.keras.metrics.TrueNegatives()
        self.fp = tf.keras.metrics.FalsePositives()

    def update_state(self, y_true, y_pred, sample_weight=None):
        # 传递sample_weight，符合Keras指标规范
        self.tn.update_state(y_true, y_pred, sample_weight=sample_weight)
        self.fp.update_state(y_true, y_pred, sample_weight=sample_weight)
        
    def result(self):
        tn = self.tn.result()
        fp = self.fp.result()
        # 处理分母为0的情况，避免除以0错误
        return tf.where(tn + fp == 0, 0.0, tn / (tn + fp))

问题二：单独测试正常但训练时指标始终为0.0 #

问题原因 #

1. 错误的累计逻辑：原代码在update_state中每次累加当前batch的特异性值，而非累计tn和fp的总数后统一计算。初始时tn和fp为0，第一次计算会出现0/0得到NaN，后续累加后仍为NaN，最终显示为0.0。
2. 未处理预测概率：模型输出是sigmoid的概率值（0-1），直接转bool会默认以0为阈值，导致所有预测都被判定为False，计算出的tn和fp异常。
3. 未支持sample_weight：不符合Keras指标的标准流程。

修复代码 #

import tensorflow as tf

class Specificity(tf.keras.metrics.Metric):
    def __init__(self, name='specificity', threshold=0.5, **kwargs):
        super().__init__(name=name, **kwargs)
        self.threshold = threshold  # 自定义二值化阈值
        self.tn = self.add_weight(name='tn', initializer='zeros')
        self.fp = self.add_weight(name='fp', initializer='zeros')

    def update_state(self, y_true, y_pred, sample_weight=None):
        # 转换真实标签为bool类型
        y_true = tf.cast(y_true, tf.bool)
        # 对sigmoid输出做阈值处理，得到二值预测结果
        y_pred = tf.cast(y_pred > self.threshold, tf.bool)

        # 计算True Negatives并累计
        tn_vals = tf.logical_and(tf.logical_not(y_true), tf.logical_not(y_pred))
        tn_vals = tf.cast(tn_vals, self.dtype)
        if sample_weight is not None:
            tn_vals = tf.multiply(tn_vals, tf.cast(sample_weight, self.dtype))
        self.tn.assign_add(tf.reduce_sum(tn_vals))

        # 计算False Positives并累计
        fp_vals = tf.logical_and(tf.logical_not(y_true), y_pred)
        fp_vals = tf.cast(fp_vals, self.dtype)
        if sample_weight is not None:
            fp_vals = tf.multiply(fp_vals, tf.cast(sample_weight, self.dtype))
        self.fp.assign_add(tf.reduce_sum(fp_vals))

    def result(self):
        # 处理分母为0的边界情况
        return tf.where(self.tn + self.fp == 0, 0.0, self.tn / (self.tn + self.fp))
    
    def reset_state(self):
        # 显式重置指标状态，每个epoch后自动调用
        self.tn.assign(0.0)
        self.fp.assign(0.0)

修复说明 #

• 移除了冗余的tnr变量，改为累计tn和fp总数，最后在result中计算最终特异性，符合Keras指标的累计逻辑。
• 添加了threshold参数，对sigmoid输出做二值化处理，匹配语义分割任务的标签逻辑。
• 支持sample_weight，兼容Keras的训练流程。
• 处理了分母为0的边界情况，避免出现NaN。

内容的提问来源于stack exchange，提问作者Na462