Question

我有一个包含4个类的多类模型。我已经实现了一个回调，该回调能够计算每个类及其宏平均值的精度/调用率。但是出于某种技术原因，我必须使用指标机制来计算它们。

我正在使用TensorFlow 2和Keras 2.3.0。我已经使用tensorflow.keras.metrics.Recall/Precision来获取类指标：

metrics_list = ['accuracy']
    metrics_list.extend([Recall(class_id=i, name="recall_{}".format(label_names[i])) for i in range(n_category)])
    metrics_list.extend([Precision(class_id=i, name="precision_{}".format(label_names[i])) for i in range(n_category)])

model = Model(...)
model.compile(...metrics=metrics_list)

但是，这种解决方案并不令人满意：

首先，tensorflow.keras.metrics.Recall/Precision使用阈值定义与某个类的隶属关系，而如果定义了argmax，则应使用class_id定义最可能的类
第二，我必须创建2个新指标来计算所有类的平均值，而这本身就需要计算类指标。计算同一件事的两倍是不礼貌且效率低下的。

是否有一种方法可以创建一个使用TensorFlow / Keras度量逻辑直接计算类和平均谓词/调用的类或函数？

显然，我可以使用tf.math.confusion_matrix()轻松获得混淆矩阵。但是，我看不到如何立即注入一个标量列表，而不是返回单个标量。

欢迎任何评论！

Answer 1

在我的特定情况下，由于我使用的是CategoricalAccuracy()，因此我可以简单地将batch_size=1用作唯一指标。在这种情况下，accuracy=recall=precision={1.|0.}为批次。那只能部分解决问题。最好的解决方案是在每个批次的末尾使用argmax更新混淆矩阵，然后根据该值计算Precision / Recall。我还不知道怎么做，但是应该可行。

计算TensorFlow中多个类的平均和类精度/召回率

1 个答案: