在Keras神经网络中计算各epoch的Top k Precision@n与Recall@n

嘿，我懂你想要在Keras训练时，每个epoch都能追踪Top k的Precision和Recall指标的需求——这在多分类任务里简直太实用了！你之前找到的基础precision/recall函数是针对二分类或全局预测场景的，咱们得把它改成适配Top k逻辑的版本，直接看代码和说明吧：

自定义Top k指标函数 #

以下函数用Keras后端（K）实现，专门适配多分类场景（要求y_true是one-hot编码格式）：

Precision@k #

import keras.backend as K

def precision_at_k(y_true, y_pred, k=5):
    # 对每个样本，取出预测概率最高的k个类别索引
    top_k_indices = K.argsort(y_pred)[:, -k:]
    # 提取真实标签中这些索引对应的正例数量
    true_positives = K.sum(K.gather(y_true, top_k_indices, axis=1))
    # 预测的正例数固定为k（因为我们取了top k个候选）
    predicted_positives = k
    # 计算精度，加epsilon避免除零错误
    precision = true_positives / (predicted_positives + K.epsilon())
    return precision

Recall@k #

def recall_at_k(y_true, y_pred, k=5):
    # 计算每个样本的真实正例总数（多分类中每个样本一般仅1个正例）
    total_positives = K.sum(y_true, axis=1)
    # 取出预测概率最高的k个类别索引
    top_k_indices = K.argsort(y_pred)[:, -k:]
    # 提取真实标签中这些索引对应的正例数量
    true_positives = K.sum(K.gather(y_true, top_k_indices, axis=1))
    # 计算召回率：对真实正例数为0的样本直接跳过（赋值0），避免无效计算
    recall = K.mean(K.switch(total_positives == 0, K.constant(0.0), true_positives / (total_positives + K.epsilon())))
    return recall

如何使用这些指标 #

在编译模型时，把自定义指标加入metrics参数即可，还能根据你的需求灵活调整k值：

model.compile(
    optimizer='adam',
    loss='categorical_crossentropy',  # 多分类任务常用损失函数
    metrics=[
        lambda y_true, y_pred: precision_at_k(y_true, y_pred, k=3),  # 自定义Precision@3
        lambda y_true, y_pred: recall_at_k(y_true, y_pred, k=3)     # 自定义Recall@3
    ]
)

这样训练时，每个epoch结束后就会输出你指定的Top k Precision和Recall啦！如果是多标签分类场景，只需要微调真实正例数的计算逻辑就能适配～

内容的提问来源于stack exchange，提问作者Muhammad shahrukh khan