在老版本的keras值没有内置函数来获得f1值，需要自己写一堆来实现。

而在keras/tensorflow升级2.14.0之后，具备了该功能。

使用keras.metrics.F1Score()即可：

例如在model.compile中接入红色部分代码.

model.compile(loss="categorical_crossentropy",

                      optimizer="adam",

                      metrics=['accuracy', keras.metrics.Precision(), keras.metrics.Recall(),keras.metrics.F1Score()])

这样模型返回值里面就包含每一代的f1值.

通常把模型赋值给history，这样history就包含看了我们想要的各种信息，包含f1.

 history=model.fit(...  )

 print(history.history)

从模型返回信息中的histroy获取F1值,包含训练集"f1_score"和测试集中的"val_f1_score"，注意是返回的每一代的f1。

 y=history.history["val_f1_score"]

 y2=history.history["f1_score"]

f1的打印结果为（训练集，案例有10个分类）：

观察发现f1包含了每一代结果中每一个分类的f1结果，所以并不能以下这样的方式直接绘图：

plt.plot(history.epoch, history.history["val_f1_score"],color='g'',  linestyle="--")

需要把每一代中每个分类的f1拿出来做平均值总F1绘制：

y=history.history["val_f1_score"]

y2=history.history["f1_score"]

        while i<len(y):

            x.append(sum(y[i])/len(y)) #x为list列表，存储测试集f1

            x2.append(sum(y2[i])/len(y2)) #x2为list列表，存储训练集f1

            i+=1    

plt.plot(history.epoch, x,color='b', label='var_f1')

plt.plot(history.epoch, x2,color='r', label='f1')

绘制训练集与测试集F1

效果如图所示：

也可以对每个分类绘制F1，开发办法还有很多，具体情况具体分析。