训练tf.estimator时记录准确度指标

Question

在培训预先预测的估算器时，打印精度指标以及丢失的最简单方法是什么？

大多数教程和文档似乎都解决了当您创建自定义估算器时的问题 - 如果打算使用其中一个可用的估算器，这似乎有些过分。

tf.contrib.learn有一些（现已弃用）Monitor钩子。 TF现在建议使用钩子API，但看起来它实际上没有任何可以利用标签和预测来生成准确度数字的东西。

Answer 1

你试过tf.contrib.estimator.add_metrics(estimator, metric_fn) （ doc ）吗？ 它需要一个初始化的估算器（可以预先设置），并将metric_fn定义的度量添加到其中。

用法示例：

def custom_metric(labels, predictions):
    # This function will be called by the Estimator, passing its predictions.
    # Let's suppose you want to add the "mean" metric...

    # Accessing the class predictions (careful, the key name may change from one canned Estimator to another)
    predicted_classes = predictions["class_ids"]  

    # Defining the metric (value and update tensors):
    custom_metric = tf.metrics.mean(labels, predicted_classes, name="custom_metric")

    # Returning as a dict:
    return {"custom_metric": custom_metric}

# Initializing your canned Estimator:
classifier = tf.estimator.DNNClassifier(feature_columns=columns_feat, hidden_units=[10, 10], n_classes=NUM_CLASSES)

# Adding your custom metrics:
classifier = tf.contrib.estimator.add_metrics(classifier, custom_metric)

# Training/Evaluating:
tf.logging.set_verbosity(tf.logging.INFO) # Just to have some logs to display for demonstration

train_spec = tf.estimator.TrainSpec(input_fn=lambda:your_train_dataset_function(),
                                    max_steps=TRAIN_STEPS)
eval_spec=tf.estimator.EvalSpec(input_fn=lambda:your_test_dataset_function(),
                                steps=EVAL_STEPS,
                                start_delay_secs=EVAL_DELAY,
                                throttle_secs=EVAL_INTERVAL)
tf.estimator.train_and_evaluate(classifier, train_spec, eval_spec)

日志：

...
INFO:tensorflow:Running local_init_op.
INFO:tensorflow:Done running local_init_op.
INFO:tensorflow:Evaluation [20/200]
INFO:tensorflow:Evaluation [40/200]
...
INFO:tensorflow:Evaluation [200/200]
INFO:tensorflow:Finished evaluation at 2018-04-19-09:23:03
INFO:tensorflow:Saving dict for global step 1: accuracy = 0.5668, average_loss = 0.951766, custom_metric = 1.2442, global_step = 1, loss = 95.1766
...

如您所见， custom_metric沿默认指标和损失返回。

Answer 2

除了@Aldream的答案，你也可以使用TensorBoard看到的一些图形custom_metric 。 为此，请将其添加到TensorFlow摘要中，如下所示：

tf.summary.scalar('custom_metric', custom_metric)

使用tf.estimator.Estimator时很酷的一点是，您不需要将摘要添加到FileWriter ，因为它是自动完成的（默认情况下每100步合并并保存它们）。

要查看TensorBoard，您需要打开一个新终端并输入：

tensorboard --logdir={$MODEL_DIR}

之后，您将能够在localhost:6006看到浏览器中的图形。