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']来监控模型的准确性：
model = tf.keras.Model(...)
model.compile(optimizer=..., loss=..., metrics=['accuracy'])
无论模型是否输出对数或类概率，以及模型是否期望地面真值标签为单热编码矢量或整数索引（即，区间[0, n_classes)中的整数），这都可以正常运行）。
如果要使用交叉熵损失，则不是这种情况：上述情况的四种组合中的每一种都需要在编译步骤中传递不同的loss值：
如果模型输出概率，并且地面真相标签被一键编码，那么loss='categorical_crossentropy'可以工作。
如果模型输出概率，并且地面真实标签是整数索引，那么loss='sparse_categorical_crossentropy'可以工作。
如果模型输出对数，并且地面真相标签是一次热编码的，那么loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True)可以工作。
如果模型输出对数，并且地面真值标签是整数索引，则loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)有效。
似乎仅指定loss='categorical_crossentropy'不足以处理这四种情况，而指定metrics=['accuracy'] 则足够健壮。
问题
当用户在模型编译步骤中指定metrics=['accuracy']时，幕后发生了什么，无论模型输出对数还是概率，以及地面真相标签是否为一维编码，都可以正确执行精度计算向量还是整数索引？
我怀疑对数与概率的情况很简单，因为可以通过argmax的任意一种方式获取预测的类，但是理想情况下，我想指出TensorFlow 2源代码中实际进行计算的地方。
请注意，我当前正在使用TensorFlow 2.0.0-rc1。
修改
在纯Keras中，metrics=['accuracy']在Model.compile method中被显式处理。
答案 0 :(得分：2)
找到了它：这在tensorflow.python.keras.engine.training_utils.get_metric_function中进行了处理。特别是，检查输出形状以确定要使用哪个精度函数。
要详细说明，在当前实现中，Model.compile要么将度量处理委托给Model._compile_eagerly（如果急切执行），要么直接执行。无论哪种情况，都将调用Model._cache_output_metric_attributes，这将同时对未加权和加权指标都调用collect_per_output_metric_info。此函数遍历提供的指标，在每个指标上调用get_metric_function。