tensorflow-compile-model-metrics

TensorFlow 编译模型指标指南与说明 在 TensorFlow 中，编译模型时指定的指标（metrics）用于在训练和评估过程中监控模型的性能。这些指标不会直接影响模型的训练过程（如损失函数那样），但可以帮助你了解模型的表现。 常用指标包括： - **准确率（accuracy）**：分类任务中预测正确的样本比例。适用于二分类和多分类问题。 - `binary_accuracy`：二分类准确率。 - `categorical_accuracy`：多分类准确率（标签为 one-hot 编码）。 - `sparse_categorical_accuracy`：多分类准确率（标签为整数形式）。 - **精确率（precision）**：预测为正类的样本中实际为正类的比例。 - **召回率（recall）**：实际为正类的样本中被正确预测的比例。 - **F1 分数（F1-score）**：精确率和召回率的调和平均值（需通过自定义指标实现）。 - **均方误差（MSE, Mean Squared Error）**：回归任务中预测值与真实值之间平方差的平均值。 - **平均绝对误差（MAE, Mean Absolute Error）**：预测值与真实值之间绝对差的平均值。 - **AUC（Area Under the Curve）**：ROC 曲线下的面积，用于评估二分类模型的性能。 使用方式： 在 `model.compile()` 中通过 `metrics` 参数指定： ```python model.compile( optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy', 'precision', 'recall'] ) ``` 自定义指标： 你可以通过继承 `tf.keras.metrics.Metric` 类或使用函数定义自定义指标。例如： ```python import tensorflow as tf def f1_score(y_true, y_pred): precision = tf.keras.metrics.Precision()(y_true, y_pred) recall = tf.keras.metrics.Recall()(y_true, y_pred) return 2 * ((precision * recall) / (precision + recall + tf.keras.backend.epsilon())) model.compile( optimizer='adam', loss='binary_crossentropy', metrics=['accuracy', f1_score] ) ``` 注意事项： - 指标应与任务类型匹配（如分类任务使用准确率，回归任务使用 MSE）。 - 多分类任务中注意标签格式（one-hot 或整数）以选择正确的准确率指标。 - 某些指标（如 AUC）计算开销较大，可能影响训练速度。 - 在验证集和测试集上，指标会自动计算并输出。 通过合理选择和配置评估指标，可以更全面地评估模型的泛化能力和实际表现。

存档时间线

版本索引永久保留；内容副本只保留最新 1 份，更早版本仅留索引与哈希（存档时间线的证据链不会因此断裂）。

下载存档内容副本