Python 精度度量因琐碎的自定义Keras损失函数而失败

我在玩Keras模型上的自定义损耗函数。我的“自定义”损失似乎失败了（就准确性得分而言），即使我只使用返回原始keras损失的包装器

作为一个玩具示例，我正在使用Tensorflow/Keras教程，该教程在fashion MNIST数据集上使用了一个简单的NN，我将遵循相关的Keras和SO post

---

这就是模型：

model=keras.Sequential([
keras.layers.Flatten（输入_形状=（28,28）），
keras.layers.致密（128，活化='relu'），
keras.层.致密（10，活化='softmax'）
])

现在，如果我在

compile（）

函数中将

sparse\u categorical\u crossentropy

作为字符串参数保留，则训练结果的准确率约为87%，这很好：

model.compile（优化器='adam'，
损失=“稀疏”\u分类”\u交叉熵'，
指标=[‘准确度’]）
model.fit（序列图像、序列标签、时代=10）
测试损失，测试acc=模型。评估（测试图像，测试标签，详细=2）
打印（“\n测试精度：”，测试依据）

但当我创建一个简单的包装函数来调用keras的交叉熵时，我在训练集和测试集上都获得了约10%的准确率：

来自tensorflow.keras进口损失
定义我的损失（y_真，y_pred）：
回报损失。稀疏的分类交叉熵（y_真，y_pred）
model.compile（优化器='adam'，
损失=我的损失，
指标=[‘准确度’]）

Epoch 1/10 60000/60000[============================================================-3s 51us/样本-损失：0.5030-精度：0.1032
Epoch 2/10 60000/60000[=======================================]-3s 45us/样本-损失：0.3766-精度：0.1035

测试准确度：0.1013

---

通过绘制一些图像并检查它们的分类标签，在每种情况下，结果看起来并没有什么不同，但打印的准确度是非常不同的。那么，是不是默认指标不能很好地处理自定义损失？我看到的是错误而不是准确性，这是不是一种情况？我在文档中遗漏了什么吗

编辑：两种情况下损失函数的值最终大致相同，因此确实进行了培训。准确性是故障点。

原因如下：
当您使用内置损耗并使用

loss='sparse\u category\u crossentropy'

时，使用的精度度量是

sparse\u category\u精度

，但当您使用自定义损耗函数时，使用的精度度量是

category\u精度

例如：

model.compile(optimizer='adam',
              loss=losses.sparse_categorical_crossentropy,
              metrics=['categorical_accuracy', 'sparse_categorical_accuracy'])
model.fit(train_images, train_labels, epochs=1)
'''
Train on 60000 samples
60000/60000 [==============================] - 5s 86us/sample - loss: 0.4955 - categorical_accuracy: 0.1045 - sparse_categorical_accuracy: 0.8255
'''


model.compile(optimizer='adam',
              loss=my_loss,
              metrics=['accuracy', 'sparse_categorical_accuracy'])
model.fit(train_images, train_labels, epochs=1)

'''
Train on 60000 samples
60000/60000 [==============================] - 5s 87us/sample - loss: 0.4956 - acc: 0.1043 - sparse_categorical_accuracy: 0.8256
'''

原因如下：
当您使用内置损耗并使用

loss='sparse\u category\u crossentropy'

时，使用的精度度量是

sparse\u category\u精度

，但当您使用自定义损耗函数时，使用的精度度量是

category\u精度

例如：

model.compile(optimizer='adam',
              loss=losses.sparse_categorical_crossentropy,
              metrics=['categorical_accuracy', 'sparse_categorical_accuracy'])
model.fit(train_images, train_labels, epochs=1)
'''
Train on 60000 samples
60000/60000 [==============================] - 5s 86us/sample - loss: 0.4955 - categorical_accuracy: 0.1045 - sparse_categorical_accuracy: 0.8255
'''


model.compile(optimizer='adam',
              loss=my_loss,
              metrics=['accuracy', 'sparse_categorical_accuracy'])
model.fit(train_images, train_labels, epochs=1)

'''
Train on 60000 samples
60000/60000 [==============================] - 5s 87us/sample - loss: 0.4956 - acc: 0.1043 - sparse_categorical_accuracy: 0.8256
'''

---

我对Keras的示例如何使用

稀疏\u分类\u交叉熵

作为

（n，10）

目标数组有点困惑。通常，“稀疏”表示它需要一个

（n，1）

数组。您是否尝试过

损失。分类交叉熵

？您应该使用

稀疏分类准确度

作为度量标准，而不是

准确度

@NicolasGervais，但目标数组确实是一个

（n，1）

数组。（如果通过

分类交叉熵

损失，错误消息也会这样说）@bit01您是对的，谢谢。我对Keras的示例如何使用

稀疏分类交叉熵

作为

（n，10）

目标数组有点困惑。通常，“稀疏”表示它需要一个

（n，1）

数组。您是否尝试过

损失。分类交叉熵

？您应该使用

稀疏分类准确度

作为度量标准，而不是

准确度

@NicolasGervais，但目标数组确实是一个

（n，1）

数组。（如果你通过了

categorical\u crossentropy

loss），错误消息也会这样说）@bit01你是对的，谢谢你清楚了。谢谢，很清楚。非常感谢。