Keras自定义容忍±2偏差的Accuracy指标报错求解

场景说明 #

• 构建面向特定日期、时刻的温度概率分布预测模型，温度取值共设46个档位，所有温度四舍五入取整后作为独立分类类别处理
• 训练阶段使用3年时长的时间序列温度数据集，提取hour_of_day、dayofweek、month三类时间周期特征
• 评估规则调整：不再要求预测值与真实值完全相等，二者差值在±2范围内即判定为预测正确，例如真实值为5、预测值为7时，差值为2，计为预测匹配

原有代码问题 #

最初编写的自定义指标代码如下：

def accuracy(y_true, y_pred):
  y_true_class = K.argmax(y_true, axis=-1)
  y_pred_class = K.argmax(y_pred, axis=-1)
  if K.any(K.abs(y_true_class-y_pred_class) <= 2) :
    matches = K.cast(K.equal(y_true_class, y_pred_class), 'int32')
    accuracy = K.mean(matches)

  return accuracy

模型训练时触发报错，核心提示为：

ValueError: 'accuracy' must also be initialized in the else branch

代码存在三处核心错误：

• 用Python原生if分支处理Keras张量运算：Keras构建计算图阶段无法通过Python原生条件判断张量的布尔值，所有逻辑必须通过张量运算实现
• 变量accuracy仅在if分支内定义，不满足计算图要求的所有分支变量初始化规则
• 匹配逻辑不符合需求：即使进入if分支，内部仍通过K.equal判断类别完全相等，完全没有实现±2容差的判定规则

正确实现代码 #

不需要任何条件分支，直接通过张量运算完成全样本的容差判定即可：

import tensorflow.keras.backend as K

def tolerance_accuracy(y_true, y_pred):
    # 将one-hot格式的标签、预测结果转为类别索引
    y_true_cls = K.argmax(y_true, axis=-1)
    y_pred_cls = K.argmax(y_pred, axis=-1)
    # 计算每个样本预测类别与真实类别的绝对差值
    cls_diff = K.abs(y_true_cls - y_pred_cls)
    # 差值≤2记为预测正确，转换为0/1浮点张量
    correct_mask = K.cast(cls_diff <= 2, 'float32')
    # 计算正确样本占比即为准确率
    return K.mean(correct_mask)

使用方式 #

模型编译阶段将该自定义函数传入metrics参数即可：

model.compile(
    optimizer='adam',
    loss='categorical_crossentropy',
    metrics=[tolerance_accuracy]
)

该实现完全基于张量运算，无原生Python条件分支，不会触发计算图相关报错，且逻辑完全匹配±2容差的判定要求：差值为0（完全匹配）、1、2的样本均会被计为预测正确，差值≥3的样本计为错误。

内容的提问来源于stack exchange，提问作者Zara