如何在TensorFlow鸢尾花分类示例中正确打印混淆矩阵？

我帮你拆解下遇到的两个核心问题，都是TensorFlow新手常碰到的张量处理坑：

问题1：真实标签是tf.Tensor而非实际数值 #

TensorFlow的数据集（比如tf.data.Dataset）返回的标签默认是张量对象，而不是直接的数值列表。要拿到实际的类别数值，你需要把张量转换成NumPy数组，用.numpy()方法即可。如果你的标签是批次返回的（比如每个批次有多个样本），记得用.flatten()把二维的批次张量转成一维列表，方便后续处理。

问题2：遍历tf.confusion_matrix生成的Tensor触发TypeError #

tf.math.confusion_matrix()返回的结果是一个TensorFlow张量，它属于计算图中的对象，不是Python原生的可迭代序列（比如列表、数组），所以直接用len()或者for循环遍历会报错。解决方法很简单：把生成的混淆矩阵张量转换成NumPy数组，之后就能像普通数组一样操作了。

完整的修正示例代码 #

这里给你一段可以直接复用的代码片段，涵盖从收集标签、生成预测到打印混淆矩阵的全流程：

import tensorflow as tf
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
import numpy as np

# 加载并预处理鸢尾花数据（这里假设你已经完成了数据准备，仅作示例）
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.2)
X_train = tf.convert_to_tensor(X_train, dtype=tf.float32)
X_test = tf.convert_to_tensor(X_test, dtype=tf.float32)
y_train = tf.convert_to_tensor(y_train, dtype=tf.int32)
y_test = tf.convert_to_tensor(y_test, dtype=tf.int32)

# 假设你已经训练好的模型（示例简单模型）
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(4,)),
    tf.keras.layers.Dense(3, activation='softmax')
])
model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=20, verbose=0)

# 收集真实标签和预测结果
true_labels = []
pred_labels = []

# 遍历测试集（如果是tf.data.Dataset的话，写法类似）
for x, y in zip(X_test, y_test):
    # 把张量标签转成NumPy数值并存入列表
    true_labels.append(y.numpy())
    # 生成预测结果，取argmax得到类别索引
    pred_prob = model(tf.expand_dims(x, 0))  # 增加批次维度
    pred_class = tf.argmax(pred_prob, axis=1).numpy()[0]
    pred_labels.append(pred_class)

# 生成混淆矩阵并转成NumPy数组
confusion_matrix = tf.math.confusion_matrix(true_labels, pred_labels).numpy()

# 打印混淆矩阵
print("鸢尾花分类混淆矩阵：")
print(confusion_matrix)

# 现在可以正常遍历混淆矩阵了
print("\n逐行打印混淆矩阵：")
for row in confusion_matrix:
    print(row)

关键注意点 #

• 所有需要后续处理（比如统计、遍历）的张量，都要先用.numpy()转换成NumPy数组，这是Eager Execution模式下调试和处理结果的常用操作。
• 预测结果需要用tf.argmax()从概率分布中提取类别索引，再转成NumPy数值，才能和真实标签对应。
• 如果你的测试集是tf.data.Dataset的批次形式，记得在收集标签时用.extend()代替.append()，并配合.flatten()处理批次维度，比如：

  for x_batch, y_batch in test_dataset:
      true_labels.extend(y_batch.numpy().flatten())
      pred_probs = model(x_batch)
      pred_classes = tf.argmax(pred_probs, axis=1).numpy().flatten()
      pred_labels.extend(pred_classes)
  

内容的提问来源于stack exchange，提问作者herrtim