如何在Keras中使用TensorFlow指标

Question

似乎已经有几个线程/问题，但在我看来，这已经解决了：

如何在keras模型中使用tensorflow度量函数？

https://github.com/fchollet/keras/issues/6050

https://github.com/fchollet/keras/issues/3230

人们似乎遇到了变量初始化或度量标准为0的问题。

我需要计算不同的细分指标，并希望在我的Keras模型中包含tf.metric.mean_iou 。 这是迄今为止我能够想到的最好的：

def mean_iou(y_true, y_pred):
   score, up_opt = tf.metrics.mean_iou(y_true, y_pred, NUM_CLASSES)
   K.get_session().run(tf.local_variables_initializer())
   return score

model.compile(optimizer=adam, loss='categorical_crossentropy', metrics=[mean_iou])

此代码不会抛出任何错误，但mean_iou总是返回0.我相信这是因为不评估up_opt 。 我已经看到在TF 1.3之前， 人们已经建议使用control_flow_ops.with_dependencies（[up_opt]，score）来实现这一点。 这在TF 1.3中似乎不太可能。

总之，如何评估Keras 2.0.6中的TF 1.3指标？ 这似乎是一个非常重要的特征。

Answer 1

你仍然可以使用control_dependencies

def mean_iou(y_true, y_pred):
   score, up_opt = tf.metrics.mean_iou(y_true, y_pred, NUM_CLASSES)
   K.get_session().run(tf.local_variables_initializer())
   with tf.control_dependencies([up_opt]):
       score = tf.identity(score)
   return score

Answer 2

有两个关键让我这个工作。 第一个是使用

sess = tf.Session()
sess.run(tf.local_variables_initializer())

在使用TF函数（和编译）之后但在执行model.fit()之前初始化TF变量。 你在最初的例子中已经有了这个，但是大多数其他例子都显示了tf.global_variables_initializer() ，这对我来说不起作用。

我发现的另一件事是op_update对象，它作为许多TF指标的元组的第二部分返回，是我们想要的。 当TF指标与Keras一起使用时，另一部分似乎为0。 因此，您的IOU指标应如下所示：

def mean_iou(y_true, y_pred):
   return tf.metrics.mean_iou(y_true, y_pred, NUM_CLASSES)[1]

from keras import backend as K

K.get_session().run(tf.local_variables_initializer())

model.fit(...)