在使用 TensorFlow Keras 构建分类器时，通常会在编译步骤中通过指定 metrics=['accuracy'] 来监控模型的准确率：
model = tf.keras.Model(...)model.compile(optimizer=..., loss=..., metrics=['accuracy'])无论模型输出的是 logits 还是类概率，以及无论模型期望的真实标签是独热编码向量还是整数索引（即区间 [0, n_classes) 内的整数），这种方法都能正常工作。
然而，如果想要使用交叉熵损失，就不是这种情况了：上述提到的四种组合中的每一种都需要在编译步骤中传入不同的 loss 值：
-
如果模型输出的是概率，并且真实标签是独热编码，那么
loss='categorical_crossentropy'有效。 -
如果模型输出的是概率，并且真实标签是整数索引，那么
loss='sparse_categorical_crossentropy'有效。 -
如果模型输出的是 logits，并且真实标签是独热编码，那么
loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True)有效。 -
如果模型输出的是 logits，并且真实标签是整数索引，那么
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)有效。
似乎仅仅指定 loss='categorical_crossentropy' 不足以处理这四种情况，而指定 metrics=['accuracy'] 则足够强大。
问题当用户在模型编译步骤中指定 metrics=['accuracy'] 时，背后发生了什么，使得准确率计算能够正确执行，无论模型输出的是 logits 还是概率，以及无论真实标签是独热编码向量还是整数索引？
我认为 logits 和概率的情况比较简单，因为无论哪种方式都可以通过 argmax 获得预测类别，但我希望能被指向 TensorFlow 2 源代码中实际进行计算的地方。
请注意，我目前使用的是 TensorFlow 2.0.0-rc1。
编辑在纯 Keras 中，metrics=['accuracy'] 在 Model.compile 方法 中被明确处理。
回答：
找到了：这是在 tensorflow.python.keras.engine.training_utils.get_metric_function 中处理的。特别是，输出形状会被检查以确定使用哪个准确率函数。
详细来说，在当前实现中，Model.compile 要么将度量处理委托给 Model._compile_eagerly（如果是急切执行），要么直接处理。在任何情况下，都会调用 Model._cache_output_metric_attributes，它会为未加权和加权的度量分别调用 collect_per_output_metric_info。该函数会遍历提供的度量，对每个度量调用 get_metric_function。
