在win10系统tensorflow1.1环境下为maskrcnn写一段代码，使训练的每轮输出总的精确度、召回率、损失，并分别给出在训练集和测试集上的精确度、召回率、损失值，给出完整的代码，并说明代码位置

在TensorFlow 1.x环境下编写Mask R-CNN的训练代码涉及到复杂的设置和许多步骤，这里我将提供一个简化的代码示例，用于在训练时打印总的精确度、召回率和损失值，以及在训练集和测试集上的这些指标。请注意，Mask R-CNN的实现通常基于Detectron2或matterport/Mask_RCNN这样的库，这里仅提供一个框架示例，具体实现细节需要根据你的具体项目需求和环境进行调整。

import tensorflow as tf
from sklearn.metrics import precision_recall_fscore_support, mean_squared_error

# 假设你已经有了模型的构建、数据加载和预处理的函数
# model = ... (构建你的Mask R-CNN模型)
# train_dataset = ... (训练数据集)
# test_dataset = ... (测试数据集)

# 编译模型，这里需要定义损失函数和优化器
def custom_loss(y_true, y_pred):
    # 这里需要定义你的损失函数，通常在Mask R-CNN中是类似交叉熵和IOU的组合
    pass

model.compile(optimizer='adam', loss=custom_loss)

# 训练模型
for epoch in range(num_epochs):
    # 训练过程
    for batch in train_dataset:
        # 获取一批训练数据和标签
        x_train_batch, y_train_batch = batch
        # 假设你有训练的真实标签和预测标签
        y_pred_train_batch = model.predict_on_batch(x_train_batch)
        
        # 计算损失
        loss = custom_loss(y_train_batch, y_pred_train_batch)
        
        # 计算精确度、召回率
        precision, recall, f1, _ = precision_recall_fscore_support(y_train_batch, y_pred_train_batch, average='macro')
        
        print(f"Epoch {epoch}, Loss: {loss}, Precision: {precision}, Recall: {recall}")
    
    # 验证模型
    for batch in test_dataset:
        x_test_batch, y_test_batch = batch
        y_pred_test_batch = model.predict_on_batch(x_test_batch)
        
        # 计算损失
        test_loss = custom_loss(y_test_batch, y_pred_test_batch)
        
        # 计算精确度、召回率
        test_precision, test_recall, test_f1, _ = precision_recall_fscore_support(y_test_batch, y_pred_test_batch, average='macro')
        
        print(f"Test Set - Epoch {epoch}, Loss: {test_loss}, Precision: {test_precision}, Recall: {test_recall}")

# 注意：在实际应用中，精确度、召回率的计算可能需要根据Mask R-CNN的输出进行定制化处理，例如对于检测任务可能需要阈值处理。
# 同时，损失函数的定义也需要根据实际任务来设计，包括分类损失和定位损失等。

在上面的代码中，我们使用了`tf.keras`的模型训练方法，并在每个epoch结束时打印了损失、精确度和召回率。为了得到精确度和召回率，我们使用了`sklearn`库中的`precision_recall_fscore_support`函数。这只是一个示例框架，实际应用中需要根据具体的Mask R-CNN模型实现和数据集进行调整。