在功能性 Keras API 中使用 tf.keras.metrics.Mean 时出错答案

【问题标题】：Getting an error when using tf.keras.metrics.Mean in functional Keras API在功能性 Keras API 中使用 tf.keras.metrics.Mean 时出错
【发布时间】：2021-07-12 22:09:01
【问题描述】：

我正在尝试向 Keras 函数模型 (Tensorflow 2.5) 添加平均指标，但出现以下错误：

ValueError: Expected a symbolic Tensor for the metric value, received: tf.Tensor(0.0, shape=(), dtype=float32)

代码如下：

x = [1, 2, 3, 4, 5, 6, 7, 8]
y = [5 + i * 3 for i in x]
a = Input(shape=(1,))
output = Dense(1)(a)
model = Model(inputs=a,outputs=output)
model.add_metric(tf.keras.metrics.Mean()(output))
model.compile(loss='mse')
model.fit(x=x, y=y, epochs=100)

如果我删除以下行（引发异常的行）：

model.add_metric(tf.keras.metrics.Mean()(output))

代码按预期工作。

我尝试禁用 Eager Execution，但我收到以下错误：

ValueError: Using the result of calling a `Metric` object when calling `add_metric` on a Functional Model is not supported. Please pass the Tensor to monitor directly.

上述用法几乎是从tf.keras.metrics.Mean 文档中复制而来的（请参阅使用 compile() API）

【问题讨论】：

标签： python tensorflow keras deep-learning metrics

【解决方案1】：

我找到了一种绕过问题的方法，完全避免使用model.add_metric，并将Metric 对象传递给compile() 方法。
但是，当传递tf.keras.metrics.Mean 的实例时如下：

model.compile(loss='mse', metrics=tf.keras.metrics.Mean())

我从compile() 方法得到以下错误：

TypeError: update_state() got multiple values for argument 'sample_weight'

为了解决这个问题，我不得不扩展 tf.keras.metrics.Mean 并更改 update_state 的签名以匹配预期的签名。
这是最终（工作）代码：

class FixedMean(tf.keras.metrics.Mean):
    def update_state(self, y_true, y_pred, sample_weight=None):
        super().update_state(y_pred, sample_weight=sample_weight)

x = [1, 2, 3, 4, 5, 6, 7, 8]
y = [5 + i * 3 for i in x]
a = Input(shape=(1,))
output = Dense(1)(a)
model = Model(inputs=a,outputs=output)
model.compile(loss='mse', metrics=FixedMean())
model.fit(x=x, y=y, epochs=100)

【讨论】：