使用TensorFlow Metrics计算Precision始终为0，自行计算Accuracy正常求排查

别慌，这绝对不是TensorFlow的问题，是你调用tf.metrics.precision时的参数格式踩坑了。咱们一步步理清楚：

你看，计算Accuracy的时候，你把self.input_y用tf.argmax(self.input_y, 1)转换成了整数类型的类别索引（比如0、1、2这类值），再和预测结果对比，这完全没问题。但到了计算Precision的时候，你直接传了self.input_y（这是one-hot编码的向量）和self.logits（模型的原始输出，不是类别索引），这俩参数的格式根本不符合tf.metrics.precision的要求。

划重点：tf.metrics.precision的参数规则 #

• 第一个参数labels：必须是整数类别索引，不能是one-hot向量；
• 第二个参数predictions：得是和labels同格式的预测类别索引（多分类场景下），如果是二分类也可以传概率值，但多分类必须传索引。

修正后的代码 #

把参数转换成正确格式就行：

with tf.name_scope("pointwise_accuracy"):
    correct_predictions = tf.equal(self.predictions, tf.argmax(self.input_y, 1))
    self.classification_accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy")
    
    # 将one-hot标签转为类别索引，将logits转为预测类别索引
    true_labels = tf.argmax(self.input_y, 1)
    pred_labels = tf.argmax(self.logits, 1)
    self.precision = tf.metrics.precision(true_labels, pred_labels, name="precision")[0]

额外提醒 #

别忘了在启动训练或评估前，初始化TensorFlow的局部变量（因为tf.metrics系列函数会创建状态变量来累计计算指标），比如在会话里执行：

sess.run(tf.local_variables_initializer())

这样调整后，Precision应该就能正常输出正确结果啦~

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