我正在尝试将自定义指标传递给keras.compile。我也在学习OOP，并尝试将其应用于机器学习。我还想跟踪每个时期的f1，精度和召回率。
例如，我可以将f1，调用和precision作为单独的函数传递给该函数，但不能将其作为带有init方法的类。
这就是我一直在尝试的事情：
class Metrics:
def __init__(self, y_true, y_pred):
self.y_true = y_true
self.y_pred = y_pred
self.tp = K.sum(K.cast(y_true * y_pred, 'float'), axis=0)
self.fp = K.sum(K.cast((1 - y_true) * y_pred, 'float'), axis=0)
self.fn = K.sum(K.cast(y_true*(1 - y_pred), 'float'), axis=0)
def precision_score(self):
precision = self.tp / (self.tp + self.fp + K.epsilon())
return precision
def recall_score(self):
recall = self.tp / (self.tp + self.fn + K.epsilon())
return recall
def f1_score(self):
precision = precision_score(self.y_true, self.y_pred)
recall = recall_score(self.y_true, self.y_pred)
f1 = 2 * precision * recall / (precision + recall + K.epsilon())
f1 = tf.where(tf.is_nan(f1), tf.zeros_like(f1), f1)
f1 = K.mean(f1)
return f1
if __name__ == '__main__':
# Some images
train_generator = DataGenerator().create_data()
validation_generator = DataGenerator().create_data()
model = create_model(
input_shape = INPUT_SHAPE,
n_out = N_CLASSES)
model.compile(
loss = 'binary_crossentropy',
optimizer = Adam(0.03),
# This is the part in question:
metrics = ['acc', Metrics.f1_score, Metrics.recall_score, Metrics.precision_score]
)
history = model.fit_generator(
train_generator,
steps_per_epoch = 5,
epochs = 5,
validation_data = next(validation_generator),
validation_steps = 7,
verbose = 1
)
通过传入Metrics.f1_score，它也可以不使用def init 部分，但是为什么它不能与初始化一起使用？
如果我通过Metrics.f1_score，我会得到：
TypeError: f1_score() takes 1 positional argument but 2 were given
如果我通过Metrics.f1_score（），我将得到：
TypeError: f1_score() missing 1 required positional argument: 'self'
如果我传递Metrics（）。f1_score，我会得到：
TypeError: __init__() missing 2 required positional arguments: 'y_true' and 'y_pred'
如果我传递Metrics（）。f1_score（）我会得到：
TypeError: __init__() missing 2 required positional arguments: 'y_true' and 'y_pred'
答案 0 :(得分：1)
恐怕你不能那样做。 Keras期望一个带有2个参数（y_true，y_pred）的函数。您正在传递一个带有1个参数（自身）的函数，因此它永远不会兼容。您无法更改此行为，因为定义此接口的是keras。这就是为什么您会得到所有错误的原因：
TypeError: f1_score() takes 1 positional argument but 2 were given
您传递了一个带有1个参数（自身）的函数，而Keras传递了2个（y_true，y_pred）。
TypeError: f1_score() missing 1 required positional argument: 'self'
通过用()传递它，实际上并不是传递函数，而是调用。您不带参数调用它，但是期望值为1（自己）。
TypeError: __init__() missing 2 required positional arguments: 'y_true' and 'y_pred'
您要实例化一个具有0个参数的Metrics对象，但构造函数（ init ）的期望值为2：y_true和y_pred。
如果您要将所有自定义指标分组到一个类中，则它们必须是静态方法。静态方法无法访问实例变量，因为它没有接收到self参数。看起来像这样：
class Metrics:
@staticmethod
def precision_score(tp, fp):
precision = tp / (tp + fp + K.epsilon())
return precision
@staticmethod
def recall_score(tp, fn):
recall = tp / (tp + fn + K.epsilon())
return recall
@staticmethod
def f1_score(y_true,y_pred):
tp = K.sum(K.cast(y_true * y_pred, 'float'), axis=0)
fp = K.sum(K.cast((1 - y_true) * y_pred, 'float'), axis=0)
fn = K.sum(K.cast(y_true*(1 - y_pred), 'float'), axis=0)
precision = Metrics.precision_score(tp,fp)
recall = Metrics.recall_score(tp, fn)
f1 = 2 * precision * recall / (precision + recall + K.epsilon())
f1 = tf.where(tf.is_nan(f1), tf.zeros_like(f1), f1)
f1 = K.mean(f1)
return f1
通过这种方式，您可以将Metrics.f1_score传递给Keras。 Metrics类与将这3个静态方法都用作模块级函数之间几乎没有区别，这只是将相关功能组合在一起的另一种方式。甚至还有第三种方法：使用嵌套函数并完全删除类：
def f1_score(y_true,y_pred):
def precision_score(tp, fp):
precision = tp / (tp + fp + K.epsilon())
return precision
def recall_score(tp, fn):
recall = tp / (tp + fn + K.epsilon())
return recall
tp = K.sum(K.cast(y_true * y_pred, 'float'), axis=0)
fp = K.sum(K.cast((1 - y_true) * y_pred, 'float'), axis=0)
fn = K.sum(K.cast(y_true*(1 - y_pred), 'float'), axis=0)
precision = precision_score(tp,fp)
recall = recall_score(tp, fn)
f1 = 2 * precision * recall / (precision + recall + K.epsilon())
f1 = tf.where(tf.is_nan(f1), tf.zeros_like(f1), f1)
f1 = K.mean(f1)
return f1