我添加了另一个答案，因为这是在测试集上正确计算这些指标的最干净的方法（截至2020年3月22日）。
您需要做的第一件事是创建一个自定义回调函数，在其中发送测试数据：

import tensorflow as tf
from tensorflow.keras.callbacks import Callback
from sklearn.metrics import classification_report 

class MetricsCallback(Callback):
    def __init__(self, test_data, y_true):
        # Should be the label encoding of your classes
        self.y_true = y_true
        self.test_data = test_data
        
    def on_epoch_end(self, epoch, logs=None):
        # Here we get the probabilities
        y_pred = self.model.predict(self.test_data))
        # Here we get the actual classes
        y_pred = tf.argmax(y_pred,axis=1)
        # Actual dictionary
        report_dictionary = classification_report(self.y_true, y_pred, output_dict = True)
        # Only printing the report
        print(classification_report(self.y_true,y_pred,output_dict=False)

在主中，加载数据集并添加回调：

metrics_callback = MetricsCallback(test_data = my_test_data, y_true = my_y_true)
...
...
#train the model
model.fit(x_train, y_train, callbacks = [cp_callback, metrics_callback,tensorboard], epochs=5)

从TensorFlow 2.X开始，precision和recall都可以作为内置指标使用。
因此，您不需要手动实现它们。除此之外，它们在Keras 2.X版本中被删除了，因为它们具有误导性---因为它们是以批处理方式计算的，precision和recall的全局（真）值实际上是不同的。
你可以看看这里：https://www.tensorflow.org/api_docs/python/tf/keras/metrics/Recall
现在他们有了一个内置的累加器，可以确保这些指标的正确计算。

model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy',tf.keras.metrics.Precision(),tf.keras.metrics.Recall()])

Keras文档中有一个可用指标列表，包括recall、precision等。
例如，recall：

model.compile('adam', loss='binary_crossentropy', 
    metrics=[tf.keras.metrics.Recall()])

我无法让Timbus的答案起作用，我发现了一个非常有趣的解释here。
上面写着：The meaning of 'accuracy' depends on the loss function. The one that corresponds to sparse_categorical_crossentropy is tf.keras.metrics.SparseCategoricalAccuracy(), not tf.metrics.Accuracy().这很有道理。
因此，您可以使用哪些指标取决于您选择的损失。例如，使用指标“True Positives”在SparseCategoricalAccuracy的情况下不起作用，因为该损失意味着您正在处理多个类，这反过来又意味着无法定义True Positives，因为它仅用于二元分类问题。
像tf.keras.metrics.CategoricalCrossentropy()这样的损失也能起作用，因为它的设计考虑到了多个类！

from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
from tensorflow.keras.callbacks import ModelCheckpoint
from tensorflow.keras.callbacks import TensorBoard
import time
import os 

#load mnist dataset
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

#create and compile the model
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)), 
  tf.keras.layers.Dense(128, activation='relu'), 
  tf.keras.layers.Dropout(0.2), 
  tf.keras.layers.Dense(10, activation='softmax') 
])
model.summary()

# This will work because it makes sense
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=[tf.keras.metrics.SparseCategoricalAccuracy(),
                       tf.keras.metrics.CategoricalCrossentropy()])

# This will not work because it isn't designed for the multiclass classification problem
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=[tf.keras.metrics.SparseCategoricalAccuracy(),
                       tf.keras.metrics.TruePositives()])

#model checkpoint (only if there is an improvement)

checkpoint_path = "logs/weights-improvement-{epoch:02d}-{accuracy:.2f}.hdf5"

cp_callback = ModelCheckpoint(checkpoint_path,
                              monitor='accuracy',
                              save_best_only=True,
                              verbose=1,
                              mode='max')

#Tensorboard
NAME = "tensorboard_{}".format(int(time.time())) # name of the model with timestamp
tensorboard = TensorBoard(log_dir="logs/{}".format(NAME))

#train the model
model.fit(x_train, y_train, epochs=5)

#evaluate the model
model.evaluate(x_test,  y_test, verbose=2)

在我的情况下，其他2个答案给我形状不匹配。

有关支持的度量列表，请参阅：
tf.keras Metrics

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy',tf.keras.metrics.Precision(),tf.keras.metrics.Recall()])