Question

在分类问题中，我想进一步将输出类存储到更少的存储桶中。我有4个输出类（即0、1、2、3）。但是在培训期间，我还想跟踪2个课程的准确性：

将0和1视为0类
将2和3视为1类

为此，我创建了一个新指标并使用模型进行了编译：

def new_classes_acc(y_true, y_pred):
  actual = tf.floor( y_true / 2 )
  predicted = tf.floor( y_pred / 2 )
  return K.categorical_crossentropy(actual, predicted)

像这样编译它：

model.compile(loss='categorical_crossentropy', optimizer=optimizer, metrics=['accuracy', new_classes_acc])

我得到nan作为精度值。正确的方法是什么？

Answer 1

由于有4个类别，并且您已将categorical_crossentropy设置为损失，因此标签被一键编码，并且形状为(n_samples, 4)。因此，首先需要使用argmax函数找到真实的和预测的类，然后使用floor函数（此外，您要创建度量标准而不是损失函数；因此，不应使用{{1 }}）：

K.categorical_crossentropy

现在，让我们对其进行测试。首先，我们创建一个简单的模型并将其编译：

from keras import backend as K
import tensorflow as tf

def custom_metric(y_true, y_pred):
    tr = tf.floor(K.argmax(y_true, axis=-1) / 2)
    pr = tf.floor(K.argmax(y_pred, axis=-1) / 2)
    return K.cast(K.equal(tr, pr), K.floatx())

然后我们创建虚拟数据：

model = Sequential()
model.add(Dense(4, activation='softmax', input_shape=(2,)))

model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy', custom_metric])

并使用我们的模型预测给定数据的标签：

import numpy as np
data = np.array([1, 2]).reshape(1, 2)

因此，第二类概率最高，将是预测的标签。现在，考虑我们定义的自定义指标，给定print(model.predict(data)) # prints: [0.04662106, 0.8046941 , 0.07660434, 0.0720804 ]或[1, 0, 0, 0]作为真实标签，自定义指标应给我们1（即100％）。让我们确认一下：

[0, 1, 0, 0]

返回列表的第一个元素对应于损失，第二个元素对应于true_labels = np.array([1, 0, 0, 0]).reshape(1,4) print(model.evaluate(data, true_labels)) # gives: [3.0657029151916504, 0.0, 1.0]，第三个元素对应于我们的自定义指标。如您所见，准确性为零（因为真实类为第一类，而预测类为第二类），而自定义指标则为1。

另一种情况：

accuracy

此处的准确性为1（因为真实类别和预测类别均为类别2），而自定义指标也为1。您可以进一步确认true_labels = np.array([0, 1, 0, 0]).reshape(1,4) print(model.evaluate(data, true_labels)) # gives: [0.21729297935962677, 1.0, 1.0]和[0, 0, 1, 0]的其余两种情况作为真实标签；两者均应返回零作为自定义指标的值。

奖金：如果标签稀疏（即0、1、2和3）怎么办？然后，您可以使用[0, 0, 0, 1]方法对它们进行一次热编码，然后使用上面定义的自定义指标。

自定义keras指标返回nan

1 个答案: