Question

这是来自kaggle的GAP指标代码

def GAP(pred, conf, true):
    x = pd.DataFrame({'pred': pred, 'conf': conf, 'true': true})
    x.sort_values('conf', ascending=False, inplace=True, na_position='last')
    x['correct'] = (x.true == x.pred).astype(int)
    x['prec_k'] = x.correct.cumsum() / (np.arange(len(x)) + 1)
    x['term'] = x.prec_k * x.correct
    gap = x.term.sum() / x.true.count()

    return gap

我想在训练时使用它，但是它得到conf自变量-预测概率或置信度分数的向量。但是指标必须仅获得两个参数。有可能像这样使用它吗？

model.compile(loss='my_loss',metrics=[GAP])

Answer 1

是的。您可以通过一些小的调整来完成此操作。请注意，像Keras这样的框架支持fun(true, pred)形式的损失函数和度量。函数定义应仅采用这种形式。

第二个限制是true和pred的形状必须相同。

调整第一个限制：将两个输出张量串联为一个。假设您有x个输出类，则conf和pred的形状将是(None, x)。您可以将这两个张量连接成一个形状为final_output的{{1}}产生器。

这样做只是第一步。除非我们调整第二个限制，否则它将无法正常工作。

现在让我们调整第二个限制：该限制可以简化为：“这两个张量的尺寸必须相同。”请注意，我正在尝试减少从形状到尺寸的限制。这可以通过具有动态形状来完成，例如：(None, 2, x)不会抛出错误，因为shape(true) = (None, 1, x) and shape(pred) = (None, None, x)在运行时可以取任何值。简而言之，在模型的末尾添加一个图层以合并输出，该图层应具有动态的输出形状。

但是在您的情况下，None也将具有形状true。您只需在(None, x)处扩展此张量的维度即可得到axis=1，然后可以将新生成的true作为模型的输入提供。

请注意，在合并两个张量时，(None, 1, x)将始终具有形状final_output，其形状不等于(None, 2, x)。但是，由于我们已将最后一层配置为返回动态形状，即(None, 1, x)，所以在编译时这将不是问题。而且Keras绝不会在运行时检查形状是否不匹配，除非对张量进行操作会导致该错误。

现在，您拥有(None, None, x)与final_output相同的形状，您只需要切片true即可取回原始的两个张量final_output和{{1 }}中的自定义损失函数和指标。

以上内容纯属逻辑。.要查看示例实现，请检查层和损失函数here。

训练时如何在Keras中使用具有三个输入的度量（GAP度量）？

1 个答案: