在tensorflow中使用metric.Mean（）

Question

我正在研究Google Colabs中的tensorflow教程，并且已按照以下链接中的说明运行了所有内容：

https://www.tensorflow.org/tutorials/eager/custom_training_walkthrough

我正在运行以下代码：

## Note: Rerunning this cell uses the same model variables

# keep results for plotting
train_loss_results = []
train_accuracy_results = []

num_epochs = 201

for epoch in range(num_epochs):
  epoch_loss_avg = tf.metrics.Mean()
  epoch_accuracy = tf.metrics.Accuracy()

  # Training loop - using batches of 32
  for x, y in train_dataset:
    # Optimize the model
    loss_value, grads = grad(model, x, y)
    optimizer.apply_gradients(zip(grads, model.variables),
                              global_step)

    # Track progress
    epoch_loss_avg(loss_value)  # add current batch loss
    # compare predicted label to actual label
    epoch_accuracy(tf.argmax(model(x), axis=1, output_type=tf.int32), y)

  # end epoch
  train_loss_results.append(epoch_loss_avg.result())
  train_accuracy_results.append(epoch_accuracy.result())

  if epoch % 50 == 0:
    print("Epoch {:03d}: Loss: {:.3f}, Accuracy: {:.3%}".format(epoch,
                                                                epoch_loss_avg.result(),
                                                                epoch_accuracy.result()))

但是当我运行它时，出现以下错误：

AttributeError: module 'tensorflow._api.v1.metrics' has no attribute 'Mean'

据我了解，他们试图在代码中执行的操作是将tf.metrics.Mean（）函数分配给epoch_loss_avg，然后将其进一步应用到epoch_loss_avg（loss_value）中。 所以我想自从编写本教程以来，Tensorflow中的某些内容可能已经发生了变化，因此我尝试将其重写如下：

## Note: Rerunning this cell uses the same model variables

# Keep results for plotting
train_loss_results = []
train_accuracy_result = []

num_epochs = 201

for epoch in range(num_epochs):
  #epoch_loss_avg = tf.metrics.Mean()
  #epoch_accuracy = tf.metrics.Accuracy()

  # Training loop - using batches of 32
  for x, y in train_dataset:
    # Optimize the model
    loss_value, grads = grad(model, x, y)
    optimizer.apply_gradients(zip(grads, model.variables),
                             global_step)

    # Track progress
    mean_temp = tf.metrics.mean(loss_value) # Add current batch loss
    # Compare the predicted label to actual label
    acc_temp = tf.metrics.accuracy(tf.argmax(model(x), axis = 1, output_type = tf.int32), y)

  # End epoch
  train_loss_results.append(mean_temp)
  train_accuracy_results.append(acc_temp)

  if epoch % 50 == 0:
    print("Epoch {:03d}: Loss: {:,3f}, Accuracy: {:.3f}".format(epoch,
                                                               epoch_loss_avg.result(),
                                                               epoch_accuracy.result()))

该函数直接运行的地方，但是现在我又收到了一条错误消息：

RuntimeError: tf.metrics.mean is not supported when eager execution is enabled.

所以我的问题是，是否有另一种写方法来获得相同的结果，我对正在发生的事情的解释正确，如果不是，我正在解释什么？

谢谢

Answer 1

为了使用Eager Execution，您需要将tf.metrics.Mean和tf.metrics.Accuracy更改为：

epoch_loss_avg = tf.contrib.eager.metrics.Mean()
epoch_accuracy = tf.contrib.eager.metrics.Accuracy()

还有tf.Variable to：

global_step = tf.contrib.eager.Variable(0)

据我了解，他们试图在代码中执行的操作是将tf.metrics.Mean（）函数分配给epoch_loss_avg，然后将其进一步应用到epoch_loss_avg（loss_value）中。

是的，在epoch_loss_avg = tf.metrics.Mean()他们创建了计算平均值的操作，然后在epoch_loss_avg(loss_value)行中累积了批次的损失。 因此，在纪元结束时，考虑到数据集中的所有批次，我们将产生平均损失，这将导致纪元的损失（行epoch_loss_avg.result() ）。

关于第二个错误：如您所见，如果启用了急切执行，则tf.metrics.mean会引发RuntimeError 。 您需要改用tf.contrib.eager.metrics 。