Keras的weighted_metrics未纳入样本权重计算的解决方法咨询

问题根源 #

你遇到的指标不生效的问题来自两个核心原因：

1. 你直接传入tf.keras.losses.categorical_crossentropy作为指标，而非tf.keras.metrics下的指标类实例，Keras的自动包装逻辑不会处理样本权重与输出维度的匹配。
2. 你的模型输出是形状为(None, 400, 22)的3D序列张量，而传入的样本权重是(None,)的1D样本级权重，维度不匹配导致权重无法被自动应用到每个时间步的损失计算中。

解决方案 #

方案1：自定义加权分类交叉熵指标（推荐） #

手动实现指标类处理权重广播逻辑，适配你的序列输出场景：

import tensorflow as tf

class WeightedCategoricalCrossentropy(tf.keras.metrics.Metric):
    def __init__(self, name='weighted_categorical_crossentropy', **kwargs):
        super().__init__(name=name, **kwargs)
        # 定义累加变量：总加权损失、总权重和
        self.total_loss = self.add_weight(name='total_loss', initializer='zeros')
        self.total_weight = self.add_weight(name='total_weight', initializer='zeros')

    def update_state(self, y_true, y_pred, sample_weight=None):
        # 计算每个时间步的交叉熵，输出形状为 (None, 400)
        base_cce = tf.keras.losses.categorical_crossentropy(y_true, y_pred)
        # 对每个样本的所有时间步求平均，得到每个样本的平均交叉熵，形状为 (None,)
        sample_cce = tf.reduce_mean(base_cce, axis=-1)
        
        # 应用样本权重
        if sample_weight is not None:
            sample_weight = tf.cast(sample_weight, dtype=sample_cce.dtype)
            weighted_cce = sample_cce * sample_weight
            self.total_weight.assign_add(tf.reduce_sum(sample_weight))
        else:
            weighted_cce = sample_cce
            self.total_weight.assign_add(tf.cast(tf.shape(y_true)[0], dtype=self.total_weight.dtype))
        
        self.total_loss.assign_add(tf.reduce_sum(weighted_cce))

    def result(self):
        # 返回加权平均后的交叉熵
        return self.total_loss / self.total_weight

    def reset_state(self):
        # 每个epoch重置累加变量
        self.total_loss.assign(0.0)
        self.total_weight.assign(0.0)

编译模型时将自定义指标传入weighted_metrics即可：

model.compile(
    optimizer=tf.keras.optimizers.Adam(1e-3),
    loss=tf.keras.losses.categorical_crossentropy,
    weighted_metrics=[WeightedCategoricalCrossentropy()]
)

注意：最终loss和指标的微小差异来自L2正则项，因为loss会累加正则损失，而该指标仅计算加权交叉熵，若要完全对齐可去掉正则项验证。

方案2：预广播样本权重 #

如果不想自定义指标，可提前把样本权重广播到和输出时间步维度匹配，让Keras能自动对应权重：

# 原样本权重形状为 (20,)
sample_weight = np.random.choice([0.01, 0.1, 1], size=20)
# 广播为 (20, 400)，每个样本的400个时间步共享同一个权重
sample_weight = np.repeat(sample_weight[:, np.newaxis], 400, axis=1)

编译时直接使用内置指标类即可：

model.compile(
    optimizer=tf.keras.optimizers.Adam(1e-3),
    loss=tf.keras.losses.categorical_crossentropy,
    metrics=[tf.keras.metrics.CategoricalCrossentropy()]
)

内容的提问来源于stack exchange，提问作者ProteinGuy