Keras训练时自定义SIM metric值与离线计算不符求助

你遇到的训练时metric与离线计算结果差异巨大的问题，根源在于自定义SIM函数的两个关键维度处理错误，导致训练时的计算逻辑完全偏离了预期的样本级SIM定义：

1. 核心错误点 #

错误1：全局归一化而非样本级归一化 #

你的代码中K.sum(y_true)会对整个batch的所有元素求和，而非每个样本单独求和。这意味着所有样本的真实值和预测值被统一缩放至全局总和为1，完全违背了“每个样本单独归一化”的SIM计算逻辑。

比如，假设batch有32个样本，每个样本的真实值总和是1（比如one-hot向量），那么全局总和是32，每个样本的真实值元素会被除以32，导致归一化后的值被严重缩小。

错误2：全局求和而非样本级求和后取平均 #

K.sum(K.minimum(n_y_true, n_y_pred))没有指定求和轴，会对整个batch的所有元素的最小值求和，再对这个标量取均值（结果就是总和本身）。这导致训练时的metric输出是整个batch的全局交集总和，而非每个样本SIM值的平均值。

2. 训练与离线计算差异的原因 #

训练时，你的函数计算的是全局归一化后的batch级交集总和，这个值会随着batch大小变化，且由于全局缩放的影响，数值会明显偏高；而离线计算时，你大概率是对每个样本单独处理（比如遍历数据集计算单个样本的SIM再取平均），这时候每个样本是单独归一化的，得到的是符合预期的样本级SIM平均值，因此数值远低于训练时的结果。

3. 修复后的SIM实现 #

以下是修正后的代码，确保每个样本单独归一化，并计算样本级SIM的平均值：

import tensorflow.keras.backend as K

def SIM(y_true, y_pred):
    # 对每个样本的最后一维（类别/特征维度）求和，keepdims保证广播时维度匹配
    sum_y_true = K.sum(y_true, axis=-1, keepdims=True)
    sum_y_pred = K.sum(y_pred, axis=-1, keepdims=True)
    
    # 每个样本单独归一化到总和为1（添加epsilon避免除零）
    n_y_true = y_true / (sum_y_true + K.epsilon())
    n_y_pred = y_pred / (sum_y_pred + K.epsilon())
    
    # 计算每个样本的SIM值：对特征维度取min后求和
    sample_sim = K.sum(K.minimum(n_y_true, n_y_pred), axis=-1)
    
    # 返回batch内所有样本SIM值的平均值
    return K.mean(sample_sim)

4. 验证说明 #

修正后，训练时的metric会计算每个样本的SIM值再取平均，和你离线加载权重后逐个样本计算SIM再平均的结果完全一致。你之前的测试代码（张量与NumPy结果一致）应该是用单个样本测试的，此时K.sum(y_true)等价于样本级求和，所以逻辑暂时正确，但批量训练时就暴露了维度错误。

内容的提问来源于stack exchange，提问作者azteks