Question

我使用Keras（2.1.5）中的TensorFlow后端训练了神经网络，我还使用了keras-contrib（2.0.8）库来添加CRF层作为网络的输出。 / p>

我想知道在使用NN对测试集进行预测后，如何获得每个类的精度，回忆和f1分数。

Answer 1

假设您有一个函数get_model()，它可以构建您训练过的完全相同的模型，并且路径weights_path指向包含模型权重的HDF5文件：

model = get_model()
model.load_weights(weights_path)

这应该正确加载您的模型。然后，您只需定义测试数据的ImageDataGenerator并拟合模型以获得预测：

# Path to your folder testing data
testing_folder = ""
# Image size (set up the image size used for training)
img_size = 256
# Batch size (you should tune it based on your memory)
batch_size = 16

val_datagen = ImageDataGenerator(
    rescale=1. / 255)
validation_generator = val_datagen.flow_from_directory(
    testing_folder,
    target_size=(img_size, img_size),
    batch_size=batch_size,
    shuffle=False,
    class_mode='categorical')

然后，您可以使用model.predict_generator()方法使模型生成整个数据集的所有预测：

# Number of steps corresponding to an epoch
steps = 100
predictions = model.predict_generator(validation_generator, steps=steps)

最后使用metrics.confusion_matrix()包中的sklearn方法创建一个混淆矩阵：

val_preds = np.argmax(predictions, axis=-1)
val_trues = validation_generator.classes
cm = metrics.confusion_matrix(val_trues, val_preds)

或者使用metrics.precision_recall_fscore_support()中的sklearn方法获取所有类的所有精度，回忆和f1分数（参数average=None输出所有类的指标）：

# label names
labels = validation_generator.class_indices.keys()
precisions, recall, f1_score, _ = metrics.precision_recall_fscore_support(val_trues, val_preds, labels=labels)

我没有测试过，但我猜这会对你有帮助。

Answer 2

查看sklearn.metrics.classification_report：

function translateString(input) {
  return input.replace(/\.(\d{1,2}).*$/, '.$1');
}
console.log(translateString('14,12.1545'));
console.log(translateString('14,12.1'));
console.log(translateString('14,12.154534534534'));

给你类似

的东西

from sklearn.metrics import classification_report

y_pred = model.predict(x_test)
print(classification_report(y_true, y_pred))

在Keras获得每班的精确度，召回率和F1分数

2 个答案: