Keras自定义灵敏度指标报错：'bool' object is not subscriptable解决问询

你遇到的问题核心在于混淆了Numpy数组操作和Keras张量操作——Keras在编译模型时，自定义指标函数接收的y和y_pred是TensorFlow/Theano的张量（Tensor），不是普通的Python列表或Numpy数组，所以不能用Numpy的函数（比如np.invert）或者Python原生的布尔索引（preds[true == 1]）来操作它们。

错误原因拆解 #

在你最初的代码里：

TP += K.sum(preds[true == 1])

这里true == 1返回的是一个布尔张量，而不是可下标访问的布尔列表/数组。当你尝试用preds[布尔张量]时，Python会把这个布尔张量当成单个bool对象处理，自然会报错“'bool' object is not subscriptable”。另外，np.invert(preds)直接对张量使用Numpy函数也是不允许的，因为Numpy无法处理计算图上的张量。

正确的实现方式 #

要规避这类错误，你需要全程使用Keras后端（keras.backend）或TensorFlow的张量操作，不能混用Numpy。下面是优化后的多分类灵敏度指标实现（更简洁且符合Keras规范）：

import tensorflow as tf
from keras import backend as K

def sensitivity(y_true, y_pred):
    # 将预测值转换为类别索引（如果y_pred是概率分布，需要先取argmax）
    y_pred_classes = K.argmax(y_pred, axis=-1)
    # 处理真实标签：如果是one-hot编码，转成类别索引；否则直接使用
    y_true_classes = K.argmax(y_true, axis=-1) if K.ndim(y_true) > 1 else y_true

    TP = 0
    FN = 0
    # 自动获取类别数，不用硬编码固定值
    num_classes = K.max(y_true_classes) + 1
    # 转换为Python整数用于循环
    num_classes_int = K.int_shape(num_classes)[0]

    # 遍历每个类别计算TP和FN
    for i in range(num_classes_int):
        # 生成当前类别的真实标签和预测标签的布尔张量
        true_positive = K.equal(y_true_classes, i)
        predicted_positive = K.equal(y_pred_classes, i)

        # 计算当前类别的TP：真实为正且预测为正的样本数
        tp = K.sum(K.cast(K.logical_and(true_positive, predicted_positive), 'float32'))
        # 计算当前类别的FN：真实为正但预测为负的样本数
        fn = K.sum(K.cast(K.logical_and(true_positive, K.logical_not(predicted_positive)), 'float32'))

        TP += tp
        FN += fn

    # 处理除数为0的情况（避免出现NaN）
    return K.switch(K.equal(TP + FN, 0), 0.0, TP / (TP + FN))

规避错误的核心要点 #

• 拒绝混用Numpy和张量操作：所有对y_true和y_pred的操作都要用K.*或tf.*函数，比如用K.equal()替代==，K.logical_not()替代np.invert，K.sum()替代np.sum。
• 不用Python原生索引访问张量：如果需要筛选张量中的元素，改用K.boolean_mask()或者逻辑运算（比如K.logical_and）结合K.sum()来计算统计量，不要用preds[mask]这种方式。
• 处理张量维度和类型：确保y_true和y_pred的维度匹配（比如如果用categorical_crossentropy，y_true是one-hot编码的，需要先转成类别索引），并且用K.cast()把布尔张量转换成数值类型再求和。
• 避免硬编码类别数：用K.max(y_true_classes) + 1自动获取类别数，让指标更通用。

补充说明 #

你后来修复的代码已经改用了K.equal()和tf.boolean_mask()，这是正确的方向，但可以进一步优化：比如用K.logical_and替代tf.math.equal(true, True)这类冗余操作，同时处理除数为0的情况（当某个类别没有正样本时，TP+FN=0，直接返回0.0避免NaN）。

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