python - .evaluate() 和 sklearn classification_report() 之间的损失和准确率差异
问题描述
在 tensorflow中训练模型时,.evaluate()
指标和 sklearn之间存在明显差异。classification_report
在训练模型时,历史显示出良好的准确性,使用时大致相同,.evaluate()
但使用 sklearn 指标时完全不同。
import tensorflow as tf
import tensorflow_datasets as tfds
from sklearn.metrics import classification_report
(ds_train, ds_test), ds_info = tfds.load(
'mnist',
split=['train', 'test'],
shuffle_files=True,
as_supervised=True,
with_info=True,
)
def normalize_img(image, label):
"""Normalizes images: `uint8` -> `float32`."""
return tf.cast(image, tf.float32) / 255., label
ds_train = ds_train.map(
normalize_img, num_parallel_calls=tf.data.experimental.AUTOTUNE)
ds_train = ds_train.cache()
ds_train = ds_train.shuffle(ds_info.splits['train'].num_examples)
ds_train = ds_train.batch(128)
ds_train = ds_train.prefetch(tf.data.experimental.AUTOTUNE)
ds_test = ds_test.map(
normalize_img, num_parallel_calls=tf.data.experimental.AUTOTUNE)
ds_test = ds_test.batch(128)
ds_test = ds_test.cache()
ds_test = ds_test.prefetch(tf.data.experimental.AUTOTUNE)
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128,activation='relu'),
tf.keras.layers.Dense(10)
])
model.compile(
optimizer=tf.keras.optimizers.Adam(0.001),
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics='accuracy',
)
model.fit(
ds_train,
epochs=6,
validation_data=ds_test,
)
Epoch 1/6
469/469 [==============================] - 1s 3ms/step - loss: 0.3586 - accuracy: 0.9009 - val_loss: 0.1961 - val_accuracy: 0.9435
Epoch 2/6
469/469 [==============================] - 1s 2ms/step - loss: 0.1634 - accuracy: 0.9529 - val_loss: 0.1310 - val_accuracy: 0.9619
Epoch 3/6
469/469 [==============================] - 1s 2ms/step - loss: 0.1142 - accuracy: 0.9676 - val_loss: 0.1089 - val_accuracy: 0.9670
Epoch 4/6
469/469 [==============================] - 1s 2ms/step - loss: 0.0883 - accuracy: 0.9743 - val_loss: 0.0913 - val_accuracy: 0.9721
Epoch 5/6
469/469 [==============================] - 1s 2ms/step - loss: 0.0709 - accuracy: 0.9795 - val_loss: 0.0795 - val_accuracy: 0.9772
Epoch 6/6
469/469 [==============================] - 1s 2ms/step - loss: 0.0590 - accuracy: 0.9826 - val_loss: 0.0762 - val_accuracy: 0.9768
<tensorflow.python.keras.callbacks.History at 0x1a603d02070>
loss, accuracy = model.evaluate(ds_train)
print("Loss:", loss)
print("Accuracy:", accuracy)
469/469 [==============================] - 1s 1ms/step - loss: 0.0484 - accuracy: 0.9867
Loss: 0.04843668267130852
Accuracy: 0.9867166876792908
train_probs = model.predict(ds_train)
train_preds = tf.argmax(train_probs, axis=-1)
train_labels_ds = ds_train.map(lambda image, label: label).unbatch()
y_true = next(iter(train_labels_ds.batch(60000))).numpy()
print(classification_report(y_true, train_preds))
precision recall f1-score support
0 0.10 0.10 0.10 5923
1 0.11 0.11 0.11 6742
2 0.10 0.10 0.10 5958
3 0.10 0.10 0.10 6131
4 0.09 0.09 0.09 5842
5 0.09 0.09 0.09 5421
6 0.10 0.10 0.10 5918
7 0.11 0.11 0.11 6265
8 0.11 0.10 0.10 5851
9 0.11 0.10 0.11 5949
accuracy 0.10 60000
macro avg 0.10 0.10 0.10 60000
weighted avg 0.10 0.10 0.10 60000
如代码所示,差异显然很大,但似乎不知道问题所在。我还尝试使用 keras 中内置的指标,得到与 sklearn 相同的结果。
注意:此代码来自 tensorflow 官方文档教程。
解决方案
尝试将此行更改为:
ds_train = ds_train.shuffle(ds_info.splits['train'].num_examples, reshuffle_each_iteration=False)
默认情况下,reshuffle_each_iteration
设置为True
。因此,即使模型经过正确训练,也会导致标签和预测不匹配。从文档
reshuffle_each_iteration = 一个布尔值,如果为 true,则表示数据集每次迭代时都应该被伪随机重新洗牌。(默认为真。)
编辑 - 另一种方法:迭代数据集以获取预测和标签:
train_preds = np.array([])
y_true = np.array([])
for x, y in ds_train:
train_preds = np.concatenate([train_preds,
np.argmax(model(x), axis = -1)])
y_true = np.concatenate([y_true, y.numpy()])
推荐阅读
- python - Python 函数参数可以用作函数内变量吗?
- go - 如何处理 goroutine 中的错误
- html - Bootstrap 4 添加悬停框阴影问题
- c++ - (C ++)如何在函数之间传递指向分配有'new'的对象的指针而不会导致内存泄漏?
- memcached - 关于mcrouter的一个问题,WarmUpRoute句柄不能设置多个冷服务器
- rabbitmq - erlang无法使用rabbitmq的参数解析ipv6地址
- linux - 如何使用 ftp 部署 nginx?
- jenkins - 如何制作由拉取请求触发的 Jenkins 管道以构建 Github 项目中的所有存储库
- python - Python日期 - 迭代列名
- azure - 不能将“--build-native-deps”与“--build”标志一起使用