如何基于TensorFlow Tensor实现独立皮尔逊相关系数指标

直接用TensorFlow内置算子实现即可，不需要引入TensorFlow Probability，完全规避依赖冲突和CUDA运行异常问题，实现逻辑严格匹配皮尔逊相关系数的数学定义：

import tensorflow as tf

def p_corr(y_true, y_pred):
    # 统一张量精度，避免类型运算报错
    y_true = tf.cast(y_true, tf.float32)
    y_pred = tf.cast(y_pred, tf.float32)

    # 计算两个序列的均值
    mean_true = tf.reduce_mean(y_true)
    mean_pred = tf.reduce_mean(y_pred)

    # 计算协方差项（皮尔逊系数分子）
    cov = tf.reduce_sum((y_true - mean_true) * (y_pred - mean_pred))

    # 计算两个序列的标准差乘积（皮尔逊系数分母），加极小值避免除零错误
    std_true = tf.sqrt(tf.reduce_sum(tf.square(y_true - mean_true)))
    std_pred = tf.sqrt(tf.reduce_sum(tf.square(y_pred - mean_pred)))
    denominator = std_true * std_pred + 1e-12

    return cov / denominator

使用说明 #

• 入参y_true和y_pred要求维度完全一致，支持任意形状的数值型张量输入
• 所有算子均为TensorFlow原生支持，可兼容eager执行和静态图模式，直接作为模型训练的评估指标传入model.compile(metrics=[p_corr])也可正常运行
• 分母加入1e-12的极小常数做数值稳定性处理，不会影响正常计算的精度，仅在输入序列为常数（标准差为0）时避免出现NaN异常

该实现返回的相关系数取值范围为[-1, 1]，值越接近1代表两个序列正相关性越强，越接近-1代表负相关性越强，接近0代表无线性相关性。

内容的提问来源于stack exchange，提问作者Jimut123