Question

我创建了使用binary_classification_head()的自定义估算器。一切正常，但问题在于可见指标。我正在使用级别为tf.logging.set_verbosity(tf.logging.INFO)和张量板的日志记录，但是我只看到损失值。我添加了此代码，但无济于事。

def my_accuracy(labels, predictions):
    return {'accuracy': tf.metrics.accuracy(labels, predictions['logistic'])}
classifier = tf.contrib.estimator.add_metrics(classifier, my_accuracy)

您知道其他添加指标的方法吗？

Answer 1

您需要在model_fn中放置相关的指标函数。

例如：

tf.summary.image('input_image', input_image, max_outputs)

for v in tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES):
        tf.summary.histogram(v.name, v)

包含update_op的指标（例如f1得分的准确性）需要提供给eval_metric_ops。使用切片是因为它们输出两个值，即度量值和更新操作

f1 = tf.contrib.metrics.f1_score(labels, predictions, num_thresholds)
accuracy = tf.metrics.accuracy(labels, predictions)
tf.summary.scalar('accuracy', accuracy[1])

eval_metric_ops = {
    'f1_score': f1,
    'accuracy': accuracy
}

return tf.estimator.EstimatorSpec(mode=mode,
                                  loss=loss,
                                  train_op=train_op,
                                  eval_metric_ops=eval_metric_ops,
                                  )

eval_metric_ops字典可以同时在训练模式和评估模式下提供。

如果您使用固定估算器，则可以使用add_metrics

编辑：根据官方文档，您可以将binary_classification_head与固定估算器一起使用，也可以在model_fn函数中使用，该函数返回estimator_spec。参见

my_head = tf.contrib.estimator.binary_classification_head()
my_estimator = tf.estimator.DNNEstimator(
    head=my_head,
    hidden_units=...,
    feature_columns=...)

在这种情况下，即使没有add_metrics函数，您也应该能够添加指标

使用自定义估计器张量流更多指标

1 个答案: