Keras模型评估指标名称获取问题解析

在使用TensorFlow 2.16.1版本构建Keras模型时，开发者可能会遇到一个关于模型评估指标名称显示的问题。当使用Keras Functional API构建模型并添加多个评估指标时，调用model.metrics_names方法不再像以前版本那样返回完整的指标名称列表，而是将所有自定义指标归并到"compile_metrics"这一项下。

问题现象

在模型编译阶段，开发者通常会这样添加多个评估指标：

model.compile(optimizer='adam', 
             loss='binary_crossentropy', 
             metrics=[
                 keras.metrics.Precision(),
                 keras.metrics.Recall(),
                 keras.metrics.BinaryAccuracy(),
                 # 其他指标...
             ])

在TensorFlow 2.16.1之前，调用model.metrics_names会返回类似['loss', 'precision', 'recall', 'binary_accuracy', ...]的完整列表。但在新版本中，该方法仅返回['loss', 'compile_metrics']，将所有自定义指标归并在一起。

解决方案

针对这一问题，Keras官方提供了两种解决方案：

1. 使用evaluate()的return_dict参数：这是推荐的做法。在调用model.evaluate()时设置return_dict=True，方法将返回一个字典，其中键为指标名称，值为对应的计算结果。这种方式更加清晰直观，避免了指标名称的混淆问题。

results = model.evaluate(test_data, return_dict=True)
# 结果格式：{'loss': 0.123, 'precision': 0.95, 'recall': 0.92, ...}

2. 直接访问模型中的指标对象：通过检查model.metrics列表，可以找到CompileMetrics对象，然后进一步访问其metrics属性来获取完整的指标列表。

for m in model.metrics:
    if isinstance(m, keras.metrics.CompileMetrics):
        print(m.metrics)  # 显示所有自定义指标

技术背景

这一变化反映了Keras内部指标处理机制的演进。新版本将自定义指标统一管理，可能是为了优化性能或简化内部实现。虽然表面上看指标名称显示方式有所改变，但实际计算逻辑和结果并未发生变化。

对于开发者而言，使用return_dict=True的方式不仅解决了当前问题，还提供了更清晰、更易维护的代码结构。字典形式的返回值可以直接通过键名访问特定指标，避免了依赖指标在列表中位置的脆弱性。

最佳实践

1. 在TensorFlow 2.16.1及更高版本中，建议始终使用evaluate(return_dict=True)来获取评估结果
2. 对于需要编程访问指标名称的场景，可以通过model.metrics属性遍历查找
3. 在模型训练过程中，指标仍然会正常显示，这一变化仅影响metrics_names属性的行为

理解这一变化有助于开发者更好地适应Keras框架的演进，并编写出更健壮的模型评估代码。