tf.math.confusion_matrix生成混淆矩阵报predict_top_k属性错误求助

• 报错核心是predict_top_k并非Keras原生函数式（Functional）、序列（Sequential）模型自带的方法，该方法是你参考的教程中针对TensorFlow Hub发布的CropNet预训练模型做的专属封装，你自行搭建的二分类MobileNetV2模型没有实现该方法，因此触发属性错误。
• 原代码提取真实标签的写法存在隐患：直接对validation_dataset.map()的结果转list，得到的是分batch的Tensor对象，没有做拼接展平，即使解决了预测方法的问题，传入tf.math.confusion_matrix()也会触发维度、类型不匹配错误。

直接替换你原有混淆矩阵相关的代码片段即可，不需要修改模型结构和训练逻辑：

import seaborn as sns
import numpy as np

# 提取验证集真实标签，拼接为一维整数数组
y_true = []
for _, batch_labels in validation_dataset:
    y_true.append(batch_labels.numpy())
y_true = np.concatenate(y_true, axis=0).astype(np.int32)

# 用模型原生predict方法推理，sigmoid输出转0/1类别标签
y_pred_prob = model2.predict(validation_dataset, batch_size=BATCH_SIZE).flatten()
y_pred = (y_pred_prob >= 0.5).astype(np.int32)  # 二分类阈值取0.5，可根据需求调整

def show_confusion_matrix(cm, labels):
  plt.figure(figsize=(10, 8))
  sns.heatmap(cm, xticklabels=labels, yticklabels=labels, 
              annot=True, fmt='g')
  plt.xlabel('Prediction')
  plt.ylabel('Label')
  plt.show()

# 计算并绘制混淆矩阵
confusion_mtx = tf.math.confusion_matrix(
    y_true,
    y_pred,
    num_classes=len(class_names)
)
show_confusion_matrix(confusion_mtx, class_names)

• 由于validation_dataset加载时设置了shuffle，上述代码遍历数据集取真实标签、传入模型做预测的顺序完全一致，不会出现预测结果和真实标签错位的问题。
• 你的模型是单神经元+sigmoid激活的二分类结构，输出值为样本属于正类的概率，默认以0.5为阈值判定类别，如果你的数据集存在类别不均衡问题，可以根据业务需求调整阈值大小。
• 不需要保留原代码中rev_label_names相关的字典映射逻辑，image_dataset_from_directory生成的标签本身就是0、1的整数索引，和class_names的顺序一一对应，不需要额外做映射转换。

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