Keras中MSE损失与自定义MSE指标计算结果为何不一致？

这是个挺常见的坑，结合你的数值差异（损失6.07 vs 指标0.47），我梳理几个最可能的原因：

1. 损失是「当前batch的即时平均」，指标是「整个epoch的累积平均」 #

Keras训练时控制台显示的loss是当前正在处理的单个batch的平均损失，而自定义指标是整个epoch所有样本的平均结果。如果你的模型收敛速度很快——比如第一个batch损失冲到6.07，后面的batch损失快速降到0.47左右——那么整个epoch的指标平均就会远低于初期batch的损失值。

验证方法：看看训练日志的最后几个batch的loss，是不是已经降到0.47附近了？如果是，那你看到的6.07只是训练初期的batch损失，指标才是整个epoch的真实平均。

2. 自定义指标未处理样本/类别权重 #

如果你训练时用了sample_weight或class_weight，Keras的内置MSE损失会自动应用这些权重计算加权平均，但如果你的自定义指标只是直接复制losses.py里的代码（比如仅写K.mean(K.square(y_true - y_pred), axis=-1)），它不会自动处理权重，导致指标是未加权的原始MSE，而损失是加权后的MSE。

举个例子：假设你给少数高损失样本设置了极高权重，损失会被拉高到6.07，但未加权的指标是所有样本的平均，结果自然会低很多（0.47）。

解决方法：如果要让自定义指标支持权重，需要用tf.keras.metrics.Metric类手动实现：

import tensorflow as tf

class WeightedMSE(tf.keras.metrics.Metric):
    def __init__(self, name='weighted_mse', **kwargs):
        super().__init__(name=name, **kwargs)
        self.total_sse = self.add_weight(name='total_sse', initializer='zeros')
        self.total_weight = self.add_weight(name='total_weight', initializer='zeros')

    def update_state(self, y_true, y_pred, sample_weight=None):
        sse = tf.square(y_true - y_pred)
        if sample_weight is not None:
            sample_weight = tf.cast(sample_weight, tf.float32)
            sse = tf.multiply(sse, sample_weight)
            self.total_weight.assign_add(tf.reduce_sum(sample_weight))
        else:
            self.total_weight.assign_add(tf.cast(tf.size(y_true), tf.float32))
        self.total_sse.assign_add(tf.reduce_sum(sse))

    def result(self):
        return self.total_sse / self.total_weight

然后在compile时使用这个类：model.compile(loss='mse', metrics=[WeightedMSE()])

3. 自定义指标的维度平均逻辑有误 #

虽然你说复制了losses.py的代码，但可能不小心改了平均维度。比如内置mean_squared_error默认对最后一个维度（特征维度）求平均得到每个样本的MSE，再对batch内样本求平均；如果你的自定义代码写成了K.mean(K.square(y_true - y_pred))（未指定axis=-1），会对所有维度（batch+特征）求平均。不过这种情况导致的差异通常不会这么大，优先级低于前两个原因。

总结 #

先检查训练日志的batch loss变化，看是不是初期高后期低；如果不是，再确认有没有使用样本/类别权重，自定义指标有没有处理权重——这两个是导致你看到巨大数值差异的最可能原因。

内容的提问来源于stack exchange，提问作者user3126802