TensorFlow二元分类配置AUC指标报InvalidArgumentError

模型输出与AUC指标的输入要求不匹配：当前模型最后一层是无激活的1维全连接层，输出为没有范围约束的任意实数（如报错中的-2.12、2.12），而Keras内置的tf.keras.metrics.AUC()默认要求输入的预测值是落在[0,1]区间的类概率值，因此触发了“预测值必须≥0”的断言校验报错。
需要注意：之前移除AUC后代码能正常运行，不代表原有模型和损失函数的配置是正确的——默认配置下的BinaryCrossentropy()会将传入值当作[0,1]范围的概率计算，当输出存在负数时，计算得到的损失值本身就是错误的，只是损失逻辑没有像AUC那样做严格的范围校验而已。

有两种适配二元分类、可以正常计算AUC的实现方式，选其一即可：

方案1：将模型输出转换为标准概率值 #

这是最常用的二元分类实现方式：

• 给最后一层1维全连接层加上sigmoid激活函数，将输出值约束在[0,1]区间，匹配默认的概率输入要求。
• 损失函数和AUC指标保持默认配置即可，无需额外修改参数。

调整后的关键代码片段：

# 替换原有最后一层的定义
model.add(tf.keras.layers.Dense(1, activation='sigmoid'))

# compile配置无需改动
model.compile(
    loss=tf.keras.losses.BinaryCrossentropy(),
    optimizer=tf.optimizers.SGD(momentum=0.9), 
    metrics=['accuracy', tf.keras.metrics.AUC()]
)

方案2：保留原始logits输出，同步调整损失和指标的计算逻辑 #

如果你不想在网络结构中嵌入sigmoid层（即希望保留未经过激活的原始logits输出），需要同步修改两处配置，让损失和AUC都能直接接收无范围约束的logits值计算：

• 实例化BinaryCrossentropy时开启from_logits=True，让损失函数内部自动完成logits到概率的转换计算，无需手动加sigmoid。
• 实例化tf.keras.metrics.AUC()时同样开启from_logits=True，跳过指标内置的“预测值在[0,1]”的范围校验，直接基于logits计算AUC分数。

调整后的关键代码片段：

# 模型最后一层保持无激活的原始输出
model.add(tf.keras.layers.Dense(1))

# compile同步调整两个组件的from_logits参数
model.compile(
    loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),
    optimizer=tf.optimizers.SGD(momentum=0.9), 
    metrics=['accuracy', tf.keras.metrics.AUC(from_logits=True)]
)

• 两种方案不要混用：如果已经在最后一层加了sigmoid激活，就不要给loss和AUC传from_logits=True，否则会因为重复的逻辑转换导致计算结果完全错误。
• 训练完成后，如果需要拿到模型输出的类概率值做后续推理，在方案2的结构下，需要手动给模型输出过一次sigmoid函数做转换，不能直接拿原始logits当概率用。

内容的提问来源于stack exchange，提问作者Python coder