我尝试实施precision and recall作为自定义指标https://datascience.stackexchange.com/questions/45165/how-to-get-accuracy-f1- precision-and-recall-for-a-keras-model/45166#45166?newreg=6190503b2be14e8aa2c0069d0a52749e，但由于某种原因，数字出现了偏差（我确实知道批次问题的平均值，这不是我所说的）。
所以我尝试实施另一个指标：
def p1(y_true, y_pred):
return K.sum(y_true)
只是为了看看会发生什么......我期望看到的是一个包含数量的直线图1我的数据集中有（我正在研究一个二进制分类问题binary_crossentropy loss).
因为 Keras 将自定义指标计算为每个批次结果的平均值，所以如果我有一个大小为 32 的批次，我会期望这样p1指标返回 16，但我得到的是 15。如果我使用一批大小为 16，我会得到接近 7.9 的值。那是我尝试使用fit method.
在训练模型后，我还手动计算了验证精度，它确实给出了与我最后看到的不同的数字val_precision从历史来看。那是用fir_generator， 在这种情况下batch_size未提供，所以我假设它立即计算整个验证数据集的指标。
另一个重要的细节是，当我使用相同的数据集进行训练和验证时，即使我在上一个时期获得相同的真阳性和预测阳性数字，训练和验证精度也是不同的（1 和 0.6）。
true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))
显然32.0 / (32.0 + K.epsilon()) = 0.6000000238418579
知道出了什么问题吗？
可能有帮助的事情：
def p1(y_true, y_pred):
true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
return 1.0 / (true_positives + K.epsilon())
def p2(y_true, y_pred):
predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))
return 1.0 / (predicted_positives + K.epsilon())
def p3(y_true, y_pred):
true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
return true_positives
def p4(y_true, y_pred):
predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))
return predicted_positives
老实说，我曾经遇到过同样的问题，对我来说，最好的解决方案是使用Recall and Precision来自内置指标。
从 TensorFlow 2.0 开始，这两个指标是内置的tensorflow.keras.metrics，并且只要您使用它们就可以很好地工作binary_crossentropy with a Dense(1)在最后一层（当然，它们最终是二元分类的指标）。
主要的事情（值得注意的是）是实现与您尝试实现的以及之前 Keras 中的实现完全不同。
事实上，在 Keras 1.X 版本中，所有这些指标都可用（F1-Score、Recall 和 Precision），但从 Keras 2.X 开始，它们被删除，因为批量估计与全局估计无关。这些指标。
据 Francois Chollet 报道（2017 年 3 月 19 日）（https://github.com/keras-team/keras/issues/5794):
基本上这些都是近似的全局指标 批量方式，这更具误导性而不是有帮助。这个有提到过 在文档中，但完全删除它们会干净得多。那是个 首先合并它们是错误的。
然而，在 TensorFlow 2.0 中（tensorflow.keras.metrics），它们使用专门的内置累加器，并且计算正确，因此与您的数据集相关。您可以在这里找到更详细的描述：
https://www.tensorflow.org/api_docs/python/tf/keras/metrics/Recall?version=stable
我强烈建议：使用内置指标，并跳过手动实现它们，特别是因为您自然会批量实现它们。
如果您在加载模型时遇到问题，请确保满足以下条件：
如果问题仍然存在，请确保将自定义信息传递到load_model通过查阅以下代码片段：
metric_config_dict = {
'precision': precision
}
model = tensorflow.keras.models.load_model('path_to_my_model.hdf5',custom_objects= metric_config_dict)
Francois Chollet 谈 Keras 2.3.0 的发布：
Keras 2.3.0 是第一个支持多后端 Keras 的版本 TensorFlow 2.0。它保持与 TensorFlow 1.14、1.13、 以及 Theano 和 CNTK。
此版本使 API 与 tf.keras API 同步 TensorFlow 2.0。但请注意，它不支持大多数 TensorFlow 2.0 的特性，特别是 eager execution。如果您需要这些功能，请使用 tf.keras。
这也是多后端 Keras 的最后一个主要版本。去 今后，我们建议用户考虑切换他们的 Keras 代码 到 TensorFlow 2.0 中的 tf.keras。它实现了相同的 Keras 2.3.0 API （因此切换应该像更改 Keras 导入一样简单 语句），但它对于 TensorFlow 用户来说有很多优点，例如 支持 Eager Execution、分发、TPU 训练等 低级 TensorFlow 和高级 TensorFlow 之间更好的集成 图层和模型等概念。保养起来也比较好。
未来的开发将集中在 tf.keras 上。我们会保留 在接下来的 6 个月内维护多后端 Keras，但我们将 仅合并错误修复。 API 更改不会被移植
因此，即使是 Keras 的创建者也建议我们改用tf.keras而不是普通的keras。另请切换您的代码并检查问题是否仍然存在。如果你混合tf.keras and keras，你会得到各种奇怪的错误；因此将所有导入更改为tf.keras。有关 TensorFlow 2.0 的更多信息和更多更改，您可以参考以下内容：https://www.pyimagesearch.com/2019/10/21/keras-vs-tf-keras-whats-the-difference-in-tensorflow-2-0/