### TensorFlow Keras 多分类任务中输出每个类别的准确率 在使用 TensorFlow 支持的 Keras 进行图像多分类任务时，可以通过自定义指标或利用混淆矩阵来计算并输出每个类别的准确率。以下是具体方法： #### 方法一：通过 `sklearn.metrics.classification_report` 计算每种类别的准确率 完成模型训练后，在验证集或测试集上预测标签，并将其与真实标签对比，可以借助 `classification_report` 函数获取详细的分类报告。 ```python from sklearn.metrics import classification_report import numpy as np # 假设 model 是已经训练好的模型，test_gen 是测试数据生成器 predictions = model.predict(test_gen) # 获取预测的概率分布 predicted_classes = np.argmax(predictions, axis=1) # 转换为具体的类别索引 true_classes = test_gen.classes # 测试集中真实的类别标签 class_labels = list(test_gen.class_indices.keys()) # 类别名称列表 # 使用 classification_report 输出每个类别的精确度、召回率和支持数 report = classification_report(true_classes, predicted_classes, target_names=class_labels) print(report) ``` 此代码片段会打印出类似于以下的结果： ``` precision recall f1-score support ClassA 0.95 0.87 0.91 50 ClassB 0.88 0.92 0.90 60 ClassC 0.93 0.89 0.91 45 accuracy 0.90 155 macro avg 0.92 0.89 0.91 155 weighted avg 0.91 0.90 0.90 155 ``` 这里展示了每个类别的精度（precision）、召回率（recall）和 F1 分数[^1]。 --- #### 方法二：自定义回调函数监控每种类别的准确率 如果希望实时监测训练过程中每种类别的表现，可以在训练期间引入自定义回调函数。该回调函数会在每个 epoch 结束时统计当前批次上的类别准确率。 ```python from tensorflow.keras.callbacks import Callback class CategoryAccuracy(Callback): def on_epoch_end(self, epoch, logs=None): predictions = self.model.predict(self.validation_data[0]) # 验证集输入部分 predicted_classes = np.argmax(predictions, axis=1) true_classes = np.argmax(self.validation_data[1], axis=1) # 验证集目标部分 class_labels = range(len(np.unique(true_classes))) # 自动推断类别数量 accuracies = [] for label in class_labels: correct_predictions = np.where((predicted_classes == label) & (true_classes == label))[0].shape[0] total_samples = np.where(true_classes == label)[0].shape[0] if total_samples != 0: category_accuracy = correct_predictions / total_samples * 100 accuracies.append(category_accuracy) print(f"Category {label} Accuracy: {category_accuracy:.2f}%") model.fit( train_gen, validation_data=(X_val, y_val), epochs=10, callbacks=[CategoryAccuracy()] ) ``` 这种方法允许开发者动态观察不同类别在整个训练过程中的变化趋势[^2]。 --- #### 方法三：基于混淆矩阵手动计算每种类别的准确率 另一种方式是先构建混淆矩阵，再从中提取所需信息。 ```python from sklearn.metrics import confusion_matrix confusion_mtx = confusion_matrix(true_classes, predicted_classes) total_per_class = confusion_mtx.sum(axis=1) # 按列求和得到实际样本总数 correct_per_class = np.diag(confusion_mtx) # 对角线元素表示正确分类的数量 accuracies = correct_per_class / total_per_class * 100 for i, acc in enumerate(accuracies): print(f"Class {i}: {acc:.2f}%") ``` 这种方式适合离线分析场景下的结果评估[^3]。 --- ### 总结 以上三种方法均可有效解决多分类任务中按类别输出准确率的问题。推荐优先采用 **`classification_report`** 的方案，因其简单易用且能提供全面的评价指标；对于需要深入调试的情况，则可考虑实现定制化逻辑以满足特殊需求。