分类神经网络中何时使用accuracy字符串或tf.keras.metrics.Accuracy()

你遇到的准确率差异问题，核心是"accuracy"字符串和tf.keras.metrics.Accuracy()实例并非等价实现：

• 当你传入字符串"accuracy"时，Keras会根据你当前使用的损失函数自动匹配对应的准确率实现：你的场景是二分类、损失为binary_crossentropy，因此Keras会自动调用tf.keras.metrics.BinaryAccuracy()，这个类会自动先把sigmoid输出的0~1概率按照默认阈值0.5转为0/1的类别预测，再和真实标签对比计算准确率，所以得到的结果是正常的1.0。
• 当你手动传入tf.keras.metrics.Accuracy()时，这个类不会做自动的概率转类别操作，会直接拿你模型输出的0~1浮点概率值和真实的0/1整数标签做相等判断，浮点数和整数几乎不可能完全相等，因此计算出来的准确率永远是0。

如果你想用类实例实现和字符串"accuracy"完全一致的效果，修正写法如下：

model.compile(loss=tf.keras.losses.binary_crossentropy, 
              optimizer=tf.keras.optimizers.Adam(), 
              metrics=[tf.keras.metrics.BinaryAccuracy()])

字符串形式适用场景 #

常规的分类、回归任务，不需要自定义指标参数的时候，直接传字符串即可，Keras的自动匹配逻辑可以适配绝大多数标准场景，写法更简洁不易出错：

• 二分类+binary_crossentropy损失：自动匹配BinaryAccuracy
• 多分类+categorical_crossentropy损失：自动匹配CategoricalAccuracy
• 多分类+sparse_categorical_crossentropy损失：自动匹配SparseCategoricalAccuracy

完整类实例适用场景 #

• 需要自定义指标的超参数时：比如你想把二分类准确率的判断阈值从默认的0.5改成0.3，就需要手动传实例tf.keras.metrics.BinaryAccuracy(threshold=0.3)
• 使用Keras内置的非默认匹配的指标时：比如你要在二分类任务里计算召回率、精确率、AUC等，就需要手动传入对应类的实例tf.keras.metrics.Recall()、tf.keras.metrics.AUC()
• 使用自定义指标的场景：自己实现的指标类，需要实例化后传入metrics参数

内容的提问来源于stack exchange，提问作者guilerme_coppola84