我正在尝试使用精确匹配/子集准确率作为我Keras模型的评估指标。我基本理解它应该如何工作，但在张量操作上遇到了困难。

我正在进行一个多标签分类任务，共有55个可能的标签。我认为输出大于0.5的视为该标签的正样本。我希望有一个指标来描述输出与真实标签完全匹配的频率。

我的方法是将y_true转换为tf.bool，将y_pred > 0.5转换为tf.bool，然后返回一个张量，如果它们完全匹配则包含True，否则包含False。当我进行基本测试时，它似乎是工作的，但当我训练模型时，它一直保持在0.0000，从未改变过。

def subset_accuracy(y_true, y_pred):    y_pred_bin = tf.cast(y_pred > 0.5, tf.bool)    equality = tf.equal(tf.cast(y_true, tf.bool), y_pred_bin)    return tf.equal(        tf.cast(tf.math.count_nonzero(equality), tf.int32),        tf.size(y_true)    )

我期望看到这个指标逐渐上升，即使它只能达到50%左右。但它一直保持在0.0。

回答：

这里是另一个选项，已在tensorflow 2.3中测试过：

def subset_accuracy(y_true, y_pred):    threshold = tf.constant(.8, tf.float32)    gtt_pred = tf.math.greater(y_pred, threshold)    gtt_true = tf.math.greater(y_true, threshold)    accuracy = tf.reduce_mean(tf.cast(tf.equal(gtt_pred, gtt_true), tf.float32), axis=-1)    return accuracy

我认为tf.cast(y_true, tf.bool)可能会有问题，因为它将浮点数转换为布尔值，所以取决于tf内部如何处理它，可能会先转换为整数，因此任何小于1.0的值都会变为零，然后再转换为布尔值。这就是为什么没有任何匹配，你只会得到零准确率。

上面的建议避免了这个问题。