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”。
- 手动调用指标时,传入的
- 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:
同时修正测试集预测值的生成逻辑,去掉无效的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()))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
相关产品推荐

