Keras批次指标计算时机与逻辑：自定义指标输出与model.fit打印值不匹配

核心执行逻辑拆解 #

Keras的自定义指标从计算到日志输出，分为两个独立的执行层，两层没有强制的同步绑定：

• 图内实时计算层：你自定义的my_metric_fn内的所有代码，包括tf.print操作，都是嵌入TensorFlow计算图的op，会在每个批次的前向传播阶段实时执行。打印结果是当前批次输入经过计算的即时原始值——包括逐样本损失、批次内均值，没有任何跨批次累计、加权逻辑，是纯单批次的计算输出。
• 跨批次累计输出层：所有以函数形式传入metrics参数的自定义指标，都会被Keras自动用内置的Mean累计器包裹。这个累计器是图内的状态变量，作用是跨所有批次汇总收到的逐样本指标值，计算整个Epoch的平均指标值，供进度条、日志回调、history对象读取。

数值匹配/不匹配的本质原因 #

你的复现场景里的数值偏差，是两个因素共同作用的结果：

1. 指标返回值的实际形态 #

看你的自定义指标实现：

def my_metric_fn(y_true, y_pred):
    squared_difference = tf.square(y_true - y_pred)
    loss =  tf.reduce_mean(squared_difference, axis=-1)
    tf.print(y_true.shape, y_pred.shape, loss, tf.reduce_mean(squared_difference))
    return loss

因为输入的shape是(batch_size, 1)，reduce_mean在axis=-1维度计算时会消掉最后一个维度，最终return的是shape为(batch_size,)的逐样本指标值，不是标量形式的批次整体均值。
Keras的Mean累计器收到这些逐样本值后，会直接累加所有逐样本值、除以已接收的样本总数得到累计均值。数学上这个结果和“先算单批次均值、再跨批次做算术平均”是完全等价的，和你最终history里存储的Epoch指标值（0.06828、0.06719）也完全对应。

2. 异步调度导致的时序偏差 #

TensorFlow的图执行是流调度模式，op的执行顺序不是和Python主线程的回调完全严格对齐的：

• tf.print是嵌入计算图流的op，执行时机和指标计算的op强绑定，只要图流走到指标计算节点就会触发打印。
• 进度条、日志回调是Python主线程逻辑，会在每个训练step的Python层间隙，主动读取累计器的状态变量值并打印。
  这种调度模式会产生两种常见场景：
• 若累计器的update op执行完成时机早于回调读取时机，进度条打印的累计值和tf.print的单批次计算值完全匹配（也就是你复现案例里每个Epoch第一个批次的打印结果对得上的原因）。
• 若回调读取时机早于累计器接收完当前批次全部指标值的时机，进度条打印的累计值就会低于Epoch最终的真实均值，和tf.print的单批次计算值出现明显偏差。

进度条上0.0544的计算来源 #

这个数值是Epoch1第二个批次训练过程中，进度条回调触发瞬间，累计器读取到的已接收样本的平均指标值。
此时累计器已经接收完第一个批次的全部2个样本的指标值，以及第二个批次的部分样本值（因为图op的异步调度，第二个批次的指标值还没完全同步到累计状态变量），计算得到的累计均值为0.0544，和Epoch结束时所有样本累加后的真实均值0.0682存在偏差。
同理，Epoch2进度条最后显示的0.06，也是同一时序原因导致的偏低值，和最终history存储的0.06719的偏差来源完全一致。

内容的提问来源于stack exchange，提问作者Wt.N