我已经对Metric类进行了子类化，以创建一个自定义的精确度度量。一切看起来都很好；我的意思是没有运行时错误。但是当我看到输出中的精确度分数记录时，我怀疑有什么问题，每个epoch结束时显示的分数总是相同的，例如，epoch 0.1000 或 0.9000
这是我的代码：
(X_train_10, y_train_10), (X_test_10, y_test_10) = keras.datasets.cifar10.load_data()X_train_10 = X_train_10 / 255.X_test_10 = X_test_10 / 255.class PrecisionMetric(keras.metrics.Metric): def __init__(self, name = 'precision', **kwargs): super(PrecisionMetric, self).__init__(**kwargs) self.tp = self.add_weight('tp', initializer = 'zeros') self.fp = self.add_weight('fp', initializer = 'zeros') def update_state(self, y_true, y_pred): y_true = tf.cast(y_true, tf.bool) y_pred = tf.cast(y_pred, tf.bool) true_p = tf.logical_and(tf.equal(y_true, True), tf.equal(y_pred, True)) false_p = tf.logical_and(tf.equal(y_true, False), tf.equal(y_pred, True)) self.tp.assign_add(tf.reduce_sum(tf.cast(true_p, self.dtype))) self.fp.assign_add(tf.reduce_sum(tf.cast(false_p, self.dtype))) def reset_states(self): self.tp.assign(0) self.fp.assign(0) def result(self): return self.tp / (self.tp + self.fp)keras.backend.clear_session()model = keras.models.Sequential()model.add(keras.layers.Flatten(input_shape = np.array(X_train_10.shape[1: ])))for _ in range(2): model.add(keras.layers.Dense(50, activation = 'elu', kernel_initializer = 'he_normal'))model.add(keras.layers.Dense(1, activation = 'sigmoid'))loss = keras.losses.binary_crossentropyoptimizer = keras.optimizers.SGD()model.compile(loss = loss, optimizer = optimizer, metrics = [PrecisionMetric()])# To make it binary classificationy_train_5 = (y_train_10 == 5)y_test_5 = (y_test_10 == 5)history = model.fit(X_train_10, y_train_5, epochs = 5)运行5个epoch后的输出：
Epoch 1/51563/1563 [==============================] - 5s 4ms/step - loss: 0.2921 - precision_metric: 0.1000Epoch 2/51563/1563 [==============================] - 4s 2ms/step - loss: 0.2744 - precision_metric: 0.1000Epoch 3/51563/1563 [==============================] - 3s 2ms/step - loss: 0.2682 - precision_metric: 0.1000Epoch 4/51563/1563 [==============================] - 3s 2ms/step - loss: 0.2651 - precision_metric: 0.1000Epoch 5/51563/1563 [==============================] - 4s 3ms/step - loss: 0.2629 - precision_metric: 0.1000注意：即使尝试了更多的epoch，例如100个，输出的精确度仍然完全相同，而损失值一直在缩小。
回答：
编辑
你的实现中确实有一个错误。你不应该将y_pred转换为布尔值。这些是sigmoid的输出。你应该这样做
y_pred = tf.math.greater(y_pred, 0.5)当你的问题是二元分类时（你从sigmoid得到输出）。并且需要为多类分类进行调整。
请在result中检查是否没有在进行0/0的除法，通过以下方式：
def result(self): res = self.tp / (self.tp + self.fp) if tf.math.is_nan(res): return 0.0 else: return res我为第一次错误的答案道歉，尽管我希望它在某种程度上是有教育意义的。
