我第一次尝试使用 contrib 中的指标，但没有成功使其工作。

以下是我尝试使用的指标以及它们的实现方式：

y_pred_labels = y[:, 1]y_true_labels = tf.cast(y_[:, 1], tf.int32)with tf.name_scope('auc'):        auc_score, update_op_auc = tf.contrib.metrics.streaming_auc(        predictions=y_pred_labels,         labels=y_true_labels    )    tf.summary.scalar('auc', auc_score)with tf.name_scope('accuracy_contrib'):      accuracy_contrib, update_op_acc = tf.contrib.metrics.streaming_accuracy(        predictions=y_pred_labels,         labels=y_true_labels    )    tf.summary.scalar('accuracy_contrib', accuracy_contrib)with tf.name_scope('error_contrib'):    error_contrib, update_op_error = tf.contrib.metrics.streaming_mean_absolute_error(        predictions=y_pred_labels,         labels=y_[:, 1] ## Needs to use float32 and not int32    )    tf.summary.scalar('error_contrib', error_contrib)

这段代码执行得很完美，在执行过程中我得到了以下结果：

########################################Accuracy at step 1000: 0.633333 # 这是由另一个未显示的代码计算得到的Accuracy Contrib at step 1000: (0.0, 0.0)AUC Score at step 1000: (0.0, 0.0)Error Contrib at step 1000: (0.0, 0.0)########################################

这是输入数据的格式：

y_pred_labels = [0.1, 0.5, 0.6, 0.8, 0.9, 0.1, ...] # 表示二元概率y_true_labels = [1, 0, 1, 1, 1, 0, 0, ...] # 表示真实类别 {0或1}y_[:, 1]      = [1.0, 0.0, 1.0, 1.0, 1.0, 0.0, 0.0, ...] # 与 y_true_labels 相同，但格式化为 float32

我认为我已经在官方文档中了解到，在某些条件下这是正常行为…然而，我无法获取我的指标值。

其次，我注意到有两个指标被称为：streaming_accuracy 和 streaming_auc，它们与“非流式”准确率或 AUC 指标的行为有何不同？如果有必要，是否有办法使其成为“非流式”的？

回答：

我刚刚遇到了同样的问题。并发现：

您需要在运行指标操作（如 sess.run(auc_score)）的同时运行 update_op（如 sess.run(update_op_auc)）。