如何在Keras中实现含逻辑运算符的自定义评估指标？

我来帮你把这个自定义评估指标正确实现出来！你的需求很清晰：当真实标签和预测值同时大于5或者同时小于5时标记为1，否则为0，最终作为模型的评估指标。

首先要注意，Keras的张量操作和普通Python逻辑不一样，不能直接用if-else处理批量张量，得用Keras后端的张量运算来实现。下面是正确的实现方式：

完整实现代码 #

import tensorflow.keras.backend as K  # 如果用原生Keras，换成 from keras import backend as K

def SAGR(y_true, y_pred):
    # 判断每个样本的真实值和预测值是否同时大于5
    both_above = K.greater(y_true, 5) & K.greater(y_pred, 5)
    # 判断每个样本的真实值和预测值是否同时小于5
    both_below = K.less(y_true, 5) & K.less(y_pred, 5)
    
    # 合并两个条件：满足任意一个就为True，再转成浮点型（Keras指标需要浮点张量）
    match = K.cast(both_above | both_below, K.floatx())
    
    # 返回整个batch的平均值作为最终指标值（Keras评估指标需要返回标量）
    return K.mean(match)

关键细节解释 #

1. 张量逻辑运算：
   不能像你原来那样用K.greater([y_true, y_pred], 5)，因为K.greater需要两个同形状的张量（或张量+标量）。正确的做法是分别对y_true和y_pred做大于/小于判断，再用&（元素与）、|（元素或）合并结果。
2. 批量处理：
   这个函数会自动处理批量中的每一个样本，每个样本都会生成一个True/False的判断结果，最后通过K.mean()计算整个batch的平均匹配率，作为模型的评估指标值。
3. 数据类型转换：
   布尔张量需要转成浮点型（K.floatx()），因为Keras的指标要求返回浮点类型的张量。

使用方式 #

在编译模型时直接把这个指标传进去就行：

model.compile(optimizer='adam', loss='your_loss_function', metrics=[SAGR])

测试示例 #

比如给一组测试数据：

• y_true = [6, 4, 3, 7]
• y_pred = [7, 3, 6, 8]

对应的匹配结果是[1, 1, 0, 1]，平均值为0.75，这个函数会正确返回这个结果。

内容的提问来源于stack exchange，提问作者jnd0