tf.keras.metrics.Accuracy训练时为0，因其默认逐元素比较logits与label且不自动argmax；应改用SparseCategoricalAccuracy（int标签）或CategoricalAccuracy（one-hot标签）。

tf.keras.metrics.Accuracy 为什么在训练时显示为 0？

常见现象是：模型编译时用了 tf.keras.metrics.Accuracy()，但训练中 accuracy 始终为 0，而 loss 正常下降。这是因为 Accuracy 默认对 logits 和 label 做逐元素比较，没经过 argmax —— 它期望输入已经是整数类别（如 [1, 0, 2]），但大多数分类模型输出的是 logits 或概率分布（如 [[2.1, -1.3, 0.8], ...]）。

• 解决方法：改用 tf.keras.metrics.SparseCategoricalAccuracy()（label 是 int 类型，logits 直接输入）或 tf.keras.metrics.CategoricalAccuracy()（label 是 one-hot，需先对 logits tf.nn.softmax）
• 验证方式：打印 y_pred.shape 和 y_true.shape —— 若 y_true 是 shape=(N,) 的整数，就用 SparseCategoricalAccuracy；若是 shape=(N, C) 的 one-hot，就用 CategoricalAccuracy
• 注意：Accuracy 类本身不自动做 argmax，它只做 y_pred == y_true，所以传 logits 过去几乎必然全错

如何写一个带阈值的二分类准确率 metric？

标准 BinaryAccuracy 允许设 threshold 参数，但有时你需要更细粒度控制，比如“预测概率 > 0.7 才算正类”，或想同时统计 TP/TN/FP/FN。这时自定义 metric 更灵活。

• 继承 tf.keras.metrics.Metric，重写 __init__、update_state、result
• update_state 中用 tf.cast(tf.greater(y_pred, 0.7), tf.int32) 得预测标签，再用 tf.equal 对比 y_true，最后用 self.total 和 self.count 累加（推荐用 tf.Variable + assign_add）
• 别忘了在 reset_state 里重置变量，否则多轮 eval 会累积
• 示例关键片段：

  class ThresholdedBinaryAccuracy(tf.keras.metrics.Metric):
    def __init__(self, threshold=0.7, name='thresholded_acc', **kwargs):
      super().__init__(name=name, **kwargs)
      self.threshold = threshold
      self.total = self.add_weight(name='total', initializer='zeros')
      self.count = self.add_weight(name='count', initializer='zeros')
  
    def update_state(self, y_true, y_pred, sample_weight=None):
      y_pred = tf.cast(tf.greater(y_pred, self.threshold), tf.int32)
      y_true = tf.cast(y_true, tf.int32)
      values = tf.cast(tf.equal(y_pred, y_true), self.dtype)
      self.total.assign_add(tf.reduce_sum(values))
      self.count.assign_add(tf.cast(tf.size(values), self.dtype))
  
    def result(self):
      return self.total / self.count

自定义 metric 在 model.fit() 里不更新？检查这几个点

写完自定义 metric，加到 model.compile(metrics=[...]) 后发现训练日志里压根不显示，或者值恒为 0/NaN，大概率是这几处出问题：

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

• update_state 没正确处理 batch 维度：确保 y_true 和 y_pred 的 batch 维一致，避免因 broadcasting 导致 shape 错误（例如 y_true 是 (32,)，y_pred 是 (32, 1) —— 要先 tf.squeeze）
• 忘记调用 super().__init__() 或漏掉 add_weight，导致内部状态变量未注册
• metric 返回值类型不匹配：result() 必须返回标量 tf.Tensor，且 dtype 通常为 tf.float32；若返回 Python float 或 numpy array，Keras 会静默失败
• 使用了不可微或非图模式操作（如 print、np.array），尤其在 TF 2.x eager 关闭时会报错，建议全程用 tf.* 操作

多输出模型怎么给每个 head 配独立准确率？

当模型有多个输出（如主任务 + 辅助任务），直接传 list 给 metrics 会报错或错配。Keras 要求 metrics 的结构与 model 输出严格对齐。

立即学习“Python免费学习笔记（深入）”；

• 如果 model 输出是 dict（如 {'main': ..., 'aux': ...}），metrics 也必须是 dict：metrics={'main': tf.keras.metrics.SparseCategoricalAccuracy(), 'aux': tf.keras.metrics.SparseCategoricalAccuracy()}
• 如果 model 输出是 list（如 [main_out, aux_out]），metrics 就得是 list，且长度一致：metrics=[tf.keras.metrics.SparseCategoricalAccuracy(), tf.keras.metrics.SparseCategoricalAccuracy()]
• label 数据也要对应：list 输出时，y_train 必须是 [y_main, y_aux]；dict 输出时，y_train 是 {'main': ..., 'aux': ...}
• 注意：自定义 metric 若用于某一个 head，它的 update_state 只会收到对应位置的 y_true 和 y_pred，无需额外切片

TensorFlow 自定义 metric 最容易卡在张量形状和状态变量生命周期上，尤其是跨 batch 累积时忘了 reset 或维度没对齐。写完先用小 batch 手动调用 update_state + result 测一遍，比等整个 fit() 跑完再调试快得多。