我在这里不太了解有状态指标的解释：Keras metrics with TF backend vs tensorflow metrics
现在，如果我将我的评估数据分成几批，并且对于每一批我都使用tf.metrics.precision来表示精度，这是否意味着先前的变量（计数器假阳性等）将用于下一个计算中批量？这真的很糟糕，因为我希望对每个批次进行一次评估（这就是为什么要拆分！）
在这种情况下，如何为每个批次重置变量。
我需要每个批次中的单个值作为平均值。
答案 0 :(得分：0)
tf.metrics.Precision之类的东西（召回等）存储正确/错误肯定的原因是因为我们不想分批估计它们（与准确性或损失等不同）。 keras中Precision的原始实现（注意，不是tf.keras）完全按照您的描述（对每个批次进行一次评估，然后进行汇总），但后来在2.0.0版中删除，因为这种方式计算全局指标的误导多于帮助（https://github.com/keras-team/keras/issues/5794）。
但是您仍然可以做您想做的事情，您可以继承tf.metrics.Metric的类，并在update_state方法中实现Precision的逻辑。 Tensorflow上的Metric API文档提供了一个自定义Metrics示例。 https://www.tensorflow.org/api_docs/python/tf/keras/metrics/Metric
我希望这会有所帮助！