我正在使用Keras开发一个多输出模型。我已经实现了两个自定义指标，auroc和auprc，并将它们传递给Keras模型的compile方法：
def auc(y_true, y_pred, curve='PR'): score, up_opt = tf.compat.v1.metrics.auc(y_true, y_pred, curve=curve, summation_method="careful_interpolation") K.get_session().run(tf.local_variables_initializer()) with tf.control_dependencies([up_opt]): score = tf.identity(score) return scoredef auprc(y_true, y_pred): return auc(y_true, y_pred, curve='PR')def auroc(y_true, y_pred): return auc(y_true, y_pred, curve='ROC')mlp_model.compile(loss=..., optimizer=..., metrics=[auprc, auroc])使用这种方法，我可以为每个输出得到auprc/auroc值，但是为了使用贝叶斯优化器来优化我的超参数，我需要一个单一的指标（例如：每个输出的auprc的平均值或总和）。我不知道如何将这些指标合并为一个。
编辑：这里是一个期望结果的示例
现在，每个epoch都会打印以下指标：
out1_auprc: 0.0267 - out2_auprc: 0.0277 - out3_auprc: 0.0294其中out1、out2、out3是我的神经网络输出，我希望得到类似这样的结果：
average_auprc: 0.0279 - out1_auprc: 0.0267 - out2_auprc: 0.0277 - out3_auprc: 0.0294我正在使用Keras Tuner进行贝叶斯优化。
任何帮助都将不胜感激，谢谢。
回答：
我通过创建一个自定义回调来解决这个问题
class MergeMetrics(Callback): def __init__(self,**kargs): super(MergeMetrics,self).__init__(**kargs) def on_epoch_begin(self,epoch, logs={}): return def on_epoch_end(self, epoch, logs={}): logs['merge_metrics'] = 0.5*logs["y1_mse"]+0.5*logs["y2_mse"]我使用这个回调来合并来自两个不同输出的两个指标。我使用了一个简单的示例问题，但你可以轻松地将其整合到你的问题中，并与验证集一起使用。
这是一个虚拟的示例
X = np.random.uniform(0,1, (1000,10))y1 = np.random.uniform(0,1, 1000)y2 = np.random.uniform(0,1, 1000)inp = Input((10))x = Dense(32, activation='relu')(inp)out1 = Dense(1, name='y1')(x)out2 = Dense(1, name='y2')(x)m = Model(inp, [out1,out2])m.compile('adam','mae', metrics='mse')checkpoint = MergeMetrics()m.fit(X, [y1,y2], epochs=10, callbacks=[checkpoint])打印的输出
loss: ..... y1_mse: 0.0863 - y2_mse: 0.0875 - merge_metrics: 0.0869