在 tf.keras.metrics 中对多分类模型使用不同的指标

Question

我正在使用 TensorFlow 联合框架一个多分类问题。我正在关注 tutorials，其中大多数使用指标 (tf.keras.metrics.SparseCategoricalAccuracy) 来衡量模型的准确性。我想探索其他措施，如（AUC、召回率、F1 和精度），但我收到了错误。下面提供了代码和错误消息。

def create_keras_model():
  initializer = tf.keras.initializers.Zeros()
  return tf.keras.models.Sequential([
      tf.keras.layers.Input(shape=(8,)),
      tf.keras.layers.Dense(64),
      tf.keras.layers.Dense(4, kernel_initializer=initializer),
      tf.keras.layers.Softmax(),
  ])
def model_fn():
  keras_model = create_keras_model()
  return tff.learning.from_keras_model(
      keras_model,
      input_spec=train_data[0].element_spec,
      loss=tf.keras.losses.SparseCategoricalCrossentropy(),
      metrics=[tf.keras.metrics.SparseCategoricalAccuracy(),
               tf.keras.metrics.Recall()]
      )

错误

ValueError: Shapes (None, 4) and (None,) are incompatible

是不是因为多分类问题，我们不能用这些措施呢？如果是这样，是否有任何其他指标可以用来衡量我的多分类模型。

Answer 1

tf.keras.metrics.SparseCategoricalAccuracy() --> 用于 SparseCategorical (int) class。 tf.keras.metrics.Recall() --> 用于分类 (one-hot) class.

如果您想使用不带 'Sparse' 的任何指标命名，则必须使用 one-hot class。

更新：

num_class=4
def get_img_and_onehot_class(img_path, class):
    img = tf.io.read_file(img_path)
    img = tf.io.decode_jpeg(img, channels=3)
    """ Other preprocessing of image."""
    return img, tf.one_hot(class, num_class)

当你得到 one-hot class:

loss=tf.losses.CategoricalCrossentropy
METRICS=[tf.keras.metrics.CategoricalAccuracy(name='accuracy'),
            tf.keras.metrics.Precision(name='precision'),
            tf.keras.metrics.Recall(name='recall'),]

model.compile(
        optimizer = tf.keras.optimizers.Adam(learning_rate=0.0001),
        loss=loss,
        metrics= METRICS)

在 tf.keras.metrics 中对多分类模型使用不同的指标

Use different metrics in tf.keras.metrics for mutli-classification model

python

keras

tensorflow

tensorflow-federated