如何在多元模型中获得平均准确度？

Question

我用多于100个不同的并行输出层对多元模型进行了建模。 我能够获得平均损失函数，但实际上我不可能获得平均精度值。 （我正在做回归） 您是否愿意提出建议，以在KERAS中做到这一点？ 谢谢

Answer 1

我创建了一个自定义回调来实现

class MergeMetrics(Callback):

    def __init__(self,**kargs):
        super(MergeMetrics,self).__init__(**kargs)

    def on_epoch_begin(self,epoch, logs={}):
        return

    def on_epoch_end(self, epoch, logs={}):
        logs['merge_mse'] = np.mean([logs[m] for m in logs.keys() if 'mse' in m])
        logs['merge_mae'] = np.mean([logs[m] for m in logs.keys() if 'mae' in m])

我使用此回调合并来自2个不同输出的2个指标。例如，我使用一个简单的问题，但是您可以轻松地将其集成到您的问题中，并将其与验证集集成

这是虚拟示例，其中我使用mse和mae作为指标

X = np.random.uniform(0,1, (1000,10))
y1 = np.random.uniform(0,1, 1000)
y2 = np.random.uniform(0,1, 1000)

inp = Input((10,))
x = Dense(32, activation='relu')(inp)
out1 = Dense(1, name='y1')(x)
out2 = Dense(1, name='y2')(x)
m = Model(inp, [out1,out2])
m.compile('adam','mae', metrics=['mse','mae'])

checkpoint = MergeMetrics()
m.fit(X, [y1,y2], epochs=10, callbacks=[checkpoint])

打印输出为：

loss: ... - y1_mse: 0.2227 - y1_mae: 0.3884 - y2_mse: 0.1163 - y2_mae: 0.2805 - merge_mse: 0.1695 - merge_mae: 0.3345