在 Tensorflow 的 Estimator 中自定义 eval_metric_ops

Question

我正在尝试在我的估算器中添加 eval_metric_ops 中的 r 平方，如下所示：

def model_fn(features, labels, mode, params):
    predict = prediction(features, params, mode)
    loss = my_loss_fn
    eval_metric_ops = { 
        'rsquared': tf.subtract(1.0, tf.div(tf.reduce_sum(tf.squared_difference(label, tf.reduce_sum(tf.squared_difference(labels, tf.reduce_mean(labels)))),
                                   name = 'rsquared')
        }

    train_op = tf.contrib.layers.optimize_loss(
        loss = loss,
        global_step = global_step,
        learning_rate = 0.1,
        optimizer = "Adam"
    )

    predictions = {"predictions": predict}

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

但我有以下错误：

TypeError: Values of eval_metric_ops must be (metric_value, update_op) tuples, given: Tensor("rsquared:0", shape=(), dtype=float32) for key: rsquared

我也尝试过不使用 name 参数，但没有任何改变。你知道如何创建这个 eval_metric_ops 吗？

Answer 1

eval_metric_ops需要一个按名称键入的指标结果字典。 dict 的值是调用度量函数的结果。您的案例中的度量函数可以使用 tf.metrics:

来实现

 def metric_fn(labels, predict):
    SST, update_op1 = tf.metrics.mean_squared_error(labels, tf.reduce_mean(labels))
    SSE, update_op2 = tf.metrics.mean_squared_error(labels, predictions )
    return tf.subtract(1.0, tf.div(SSE, SST)), tf.group(update_op1, update_op2))

Answer 2

我尝试了接受的答案，但它在 TF 1.14 中不起作用，然后我尝试通过更改以 compute_* 开头的函数和相关的函数，将这里的 my own. You can adapt the source code examples 变成你自己的变量。

在 Tensorflow 的 Estimator 中自定义 eval_metric_ops

Custom eval_metric_ops in Estimator in Tensorflow

python

tensorflow

tensorflow-estimator