时间戳

首页 > 解决方案 > 计算 Tensorflow 2 中每个 epoch 后每个类的召回率

python - 计算 Tensorflow 2 中每个 epoch 后每个类的召回率

问题描述

我正在尝试在使用 Tensorflow 2 的 Keras API 的模型中的每个时期之后计算每个类在二进制和多类（一个热编码）分类场景中的召回率。例如对于二进制分类，我希望能够做类似的事情

import tensorflow as tf
model = tf.keras.Sequential()
model.add(...)
model.add(tf.keras.layers.Dense(1))

model.compile(metrics=[binary_recall(label=0), binary_recall(label=1)], ...)
history = model.fit(...)

plt.plot(history.history['binary_recall_0'])
plt.plot(history.history['binary_recall_1'])
plt.show()

或者在多类场景中，我想做类似的事情

model = tf.keras.Sequential()
model.add(...)
model.add(tf.keras.layers.Dense(3))

model.compile(metrics=[recall(label=0), recall(label=1), recall(label=2)], ...)
history = model.fit(...)

plt.plot(history.history['recall_0'])
plt.plot(history.history['recall_1'])
plt.plot(history.history['recall_2'])
plt.show()

我正在研究一个不平衡数据集的分类器，并希望能够看到我的少数类的召回率在什么时候开始下降。

我在这里https://stackoverflow.com/a/41717938/373655找到了多类分类器中特定类的精度实现。我正在尝试将其调整为我需要的内容，但keras.backend对我来说仍然很陌生，因此将不胜感激。

我也不清楚是否可以使用 Keras metrics（因为它们是在每批结束时计算然后取平均值）还是我需要使用 Keras callbacks（可以在每个 epoch 结束时运行）。在我看来，它不应该对召回产生影响（例如8/10 == (3/5 + 5/5) / 2），但这就是为什么在 Keras 2 中删除了召回，所以也许我遗漏了一些东西（https://github.com/keras-team/keras/issues /5794 )

编辑 - 部分解决方案（多类分类） @mujjiga 的解决方案适用于二元分类和多类分类，但正如 @P-Gn 指出的那样，tensorflow 2 的召回指标支持开箱即用的多类分类。例如

from tensorflow.keras.metrics import Recall

model = ...

model.compile(loss='categorical_crossentropy', metrics=[
    Recall(class_id=0, name='recall_0')
    Recall(class_id=1, name='recall_1')
    Recall(class_id=2, name='recall_2')
])

history = model.fit(...)

plt.plot(history.history['recall_2'])
plt.plot(history.history['val_recall_2'])
plt.show()

标签： pythontensorflowmachine-learningkerastensorflow2.0

解决方案

在 TF2 中，tf.keras.metrics.Recall获得了class_id能够做到这一点的成员。使用 FashionMNIST 的示例：

import tensorflow as tf

(x_train, y_train), _ = tf.keras.datasets.fashion_mnist.load_data()
x_train = x_train[..., None].astype('float32') / 255
y_train = tf.keras.utils.to_categorical(y_train)

input_shape = x_train.shape[1:]
model = tf.keras.Sequential([
  tf.keras.layers.Conv2D(filters=64, kernel_size=2, padding='same', activation='relu', input_shape=input_shape),
  tf.keras.layers.MaxPool2D(pool_size=2),
  tf.keras.layers.Dropout(0.3),

  tf.keras.layers.Conv2D(filters=32, kernel_size=2, padding='same', activation='relu'),
  tf.keras.layers.MaxPool2D(pool_size=2),
  tf.keras.layers.Dropout(0.3),

  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(units=256, activation='relu'),
  tf.keras.layers.Dropout(0.5),
  tf.keras.layers.Dense(units=10, activation='softmax')])

model.compile(loss='categorical_crossentropy', optimizer='Adam',
  metrics=[tf.keras.metrics.Recall(class_id=i) for i in range(10)])
model.fit(x_train, y_train, batch_size=128, epochs=50)

在 TF 1.13 中，tf.keras.metric.Recall没有此class_id参数，但可以通过子类化添加（有些令人惊讶的是，在 TF2 的 alpha 版本中似乎不可能）。

class Recall(tf.keras.metrics.Recall):

  def __init__(self, *, class_id, **kwargs):
    super().__init__(**kwargs)
    self.class_id= class_id

  def update_state(self, y_true, y_pred, sample_weight=None):
    y_true = y_true[:, self.class_id]
    y_pred = tf.cast(tf.equal(
      tf.math.argmax(y_pred, axis=-1), self.class_id), dtype=tf.float32)
    return super().update_state(y_true, y_pred, sample_weight)

推荐阅读