Question

我正在使用带有Tensorflow后端的Keras开发用于多类别分类问题（4类）的模型。 y_test的值具有2D格式：

0 1 0 0
0 0 1 0
0 0 1 0

这是我用来计算平衡精度的函数：

def my_metric(targ, predict):
    val_predict = predict
    val_targ = tf.math.argmax(targ, axis=1)
    return metrics.balanced_accuracy_score(val_targ, val_predict)

这是模型：

hidden_neurons = 50
timestamps = 20
nb_features = 18

model = Sequential()

model.add(LSTM(
                units=hidden_neurons,
                return_sequences=True, 
                input_shape=(timestamps,nb_features),
                dropout=0.15
                #recurrent_dropout=0.2
              )
         )

model.add(TimeDistributed(Dense(units=round(timestamps/2),activation='sigmoid')))

model.add(Dense(units=hidden_neurons,
               activation='sigmoid'))


model.add(Flatten())

model.add(Dense(units=nb_classes,
               activation='softmax'))

model.compile(loss="categorical_crossentropy",
              metrics = [my_metric],
              optimizer='adadelta')

运行此代码时，出现此错误：

-------------------------------------------------- ---------------------------- TypeError跟踪（最近的呼叫   最后）在（）        30 model.compile（loss =“ categorical_crossentropy”，        31个指标= [my_metric]，＃'accuracy'，   ---> 32 Optimizer ='adadelta'）

〜/ anaconda3 / lib / python3.6 / site-packages / keras / engine / training.py在   编译（自我，优化程序，损失，指标，loss_weights，   sample_weight_mode，weighted_metrics，target_tensors，** kwargs）       449 output_metrics = nested_metrics [i]       450 output_weighted_metrics = nested_weighted_metrics [i]   -> 451 handle_metrics（输出指标）       452 handle_metrics（output_weighted_metrics，weights = weights）       453

〜/ anaconda3 / lib / python3.6 / site-packages / keras / engine / training.py在   handle_metrics（指标，权重）       418 metric_result = weighted_metric_fn（y_true，y_pred，       419重量=重量，   -> 420 mask = masks [i]）       421       422＃追加到self.metrics_names，self.metric_tensors，

〜/ anaconda3 / lib / python3.6 / site-packages / keras / engine / training_utils.py   加权（y_true，y_pred，权重，掩码）       402“”“       403＃score_array的ndim> = 2   -> 404 score_array = fn（y_true，y_pred）       405如果mask不是None：       406＃将蒙版投射到floatX以避免在Theano中进行float64向上投射

在my_metric中（目标，预测）        22 val_predict =预测        23 val_targ = tf.math.argmax（targ，axis = 1）   ---> 24个返回指标.balanced_accuracy_score（val_targ，val_predict）        25＃返回5        26

〜/ anaconda3 / lib / python3.6 / site-packages / sklearn / metrics / classification.py   以balance_accuracy_score（y_true，y_pred，sample_weight，已调整）
  1431 1432“”“   -> 1433 C = confusion_matrix（y_true，y_pred，sample_weight = sample_weight）1434具有   np.errstate（divide ='ignore'，invalid ='ignore'）：1435
  per_class = np.diag（C）/ C.sum（axis = 1）

〜/ anaconda3 / lib / python3.6 / site-packages / sklearn / metrics / classification.py   在confusion_matrix中（y_true，y_pred，标签，sample_weight）       251       252“”“   -> 253 y_type，y_true，y_pred = _check_targets（y_true，y_pred）       254如果y_type不在（“ binary”，“ multiclass”）中：       255提高ValueError（“不支持％s”％y_type）

〜/ anaconda3 / lib / python3.6 / site-packages / sklearn / metrics / classification.py   在_check_targets（y_true，y_pred）中        69 y_pred：数组或指标矩阵        70“”“   ---> 71 check_consistent_length（y_true，y_pred）        72 type_true = type_of_target（y_true）        73 type_pred = type_of_target（y_pred）

〜/ anaconda3 / lib / python3.6 / site-packages / sklearn / utils / validation.py在   check_consistent_length（* arrays）       229“”“       230   -> 231个长度= [如果X不为None，则为数组中X的_num_samples（X）]       232个唯一性= np.unique（长度）       233如果len（uniques）> 1：

〜/ anaconda3 / lib / python3.6 / site-packages / sklearn / utils / validation.py在   （.0）       229“”“       230   -> 231个长度= [如果X不为None，则为数组中X的_num_samples（X）]       232个唯一性= np.unique（长度）       233如果len（uniques）> 1：

〜/ anaconda3 / lib / python3.6 / site-packages / sklearn / utils / validation.py在   _num_samples（x）       146返回x.shape [0]       其他147条：   -> 148返回len（x）       149其他：       150 return len（x）

TypeError：类型“ Tensor”的对象没有len（）

Answer 1

您不能在Keras张量上调用sklearn函数。您需要使用Keras的后端函数自己实现该功能，如果使用TF后端，则需要TensorFlow函数。

在各列中获得的as the average of the recall定义为balanced_accuracy_score。检查this link以了解精确度和召回率的实现。对于balanced_accuracy_score，您可以按以下方式实现它：

import keras.backend as K

def balanced_recall(y_true, y_pred):
    """
    Computes the average per-column recall metric
    for a multi-class classification problem
    """ 
    true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)), axis=0)  
    possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)), axis=0)   
    recall = true_positives / (possible_positives + K.epsilon())    
    balanced_recall = K.mean(recall)
    return balanced_recall

Answer 2

尝试：

let res = JSON.parse('[' + "['Date', 'Call (minutes)'],['Date1', 100],['Date2', 1370],['Date3', 660],['Date4', 1030],['Date5', 1000],['Date6', 1170],['Date7', 660]".replaceAll("'", '"') + ']') console.log(res)

TypeError：在Tensorflow中使用自定义指标时，“ Tensor”类型的对象没有len（）

2 个答案: