You need to enable JavaScript to run this app. Keras多标签文本分类调用自定义F1/精确率/召回率指标的计算类型不匹配报错
优惠活动
大模型
产品
解决方案
定价
更多

Keras多标签文本分类调用自定义F1/精确率/召回率指标的计算类型不匹配报错

报错根因定位

这个报错是张量数据类型不匹配导致的,和指标计算的业务逻辑没有关系:

  • 报错的触发点是recall_m函数里的possible_positives + K.epsilon()加法运算:
    • 手动调用指标时,传入的y_test是int64类型的整数标签,经过K.clip、K.round、K.sum运算后,输出的possible_positives仍然是int64类型的张量。
    • K.epsilon()是TensorFlow内置的float32类型极小值常量,TensorFlow不会对int和float类型的运算做自动隐式类型提升,因此直接抛出AddV2运算的类型不匹配错误,对应报错提示“输入期望为int64张量,但收到了float张量”。
  • 训练阶段为什么没有报错?
    Keras在模型编译、训练流程中,会自动把所有输入的标签、模型输出张量统一转成和模型输出精度一致的float32类型,因此训练时计算得到的possible_positives本身就是float32,和K.epsilon()类型一致,自然不会触发类型不匹配错误。
  • 你代码里还有个无效操作需要注意:
    你写的y_pred.round()没有把返回值赋值给变量,这行代码执行后只是临时生成了一个四舍五入的数值数组,立刻就被丢弃了,完全不会修改原有的y_pred(原数组是布尔类型的)。
可行解决思路
  • 方案1:改造自定义指标函数,统一计算时的张量类型
    在三个指标函数的最开头,先把输入的y_true和y_pred统一转成float32类型,后续所有运算都会保持浮点类型,从根源上避免int、bool类型和浮点运算不兼容的问题。修改后的函数参考:
    def recall_m(y_true, y_pred):
        # 统一转float32,兼容int、bool等各类输入类型
        y_true = K.cast(y_true, "float32")
        y_pred = K.cast(y_pred, "float32")
        true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
        possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)))
        recall = true_positives / (possible_positives + K.epsilon())
        return recall
    
    def precision_m(y_true, y_pred):
        y_true = K.cast(y_true, "float32")
        y_pred = K.cast(y_pred, "float32")
        true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
        predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))
        precision = true_positives / (predicted_positives + K.epsilon())
        return precision
    
    def f1_m(y_true, y_pred):
        precision = precision_m(y_true, y_pred)
        recall = recall_m(y_true, y_pred)
        return 2*((precision*recall)/(precision+recall+K.epsilon()))
    
    同时修正测试集预测值的生成逻辑,去掉无效的round()调用,直接将阈值判断后的结果转成float32:
    y_pred = (model.predict(x_test) > 0.3).astype("float32")
    
  • 方案2:测试集评估直接使用Scikit-learn的指标接口,避开TensorFlow张量的类型兼容问题
    测试集的y_test和y_pred都是普通numpy数组,完全不需要强行调用基于Keras后端的自定义指标。直接调用sklearn内置的多标签指标计算函数即可,没有张量类型转换的问题,计算效率也更高:
    from sklearn.metrics import recall_score, precision_score, f1_score
    # 多标签任务需要根据评估需求选择average参数,比如micro/macro/samples
    test_recall = recall_score(y_test, y_pred, average="micro")
    test_precision = precision_score(y_test, y_pred, average="micro")
    test_f1 = f1_score(y_test, y_pred, average="micro")
    

内容的提问来源于stack exchange,提问作者Raz

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.01 23:54:05