Class 在 tensorflow 上的 keras 中的明智分类

Question

我收到以下错误，我正在尝试获得训练数据的分类准确性。 我已经安装了最新的 TensorFlow 和 Keras，有人可以帮忙解决错误吗？ 谢谢

错误：

**raise ValueError('Found two metrics with the same name: {}'.format(
    ValueError: Found two metrics with the same name: acc1**

代码：

resnet_model.summary()
from keras import backend as K

#interesting_class_id = 0  # Choose the class of interest

def single_class_accuracy(interesting_class_id):

    def acc1(y_true, y_pred):

        class_id_true = K.argmax(y_true)
        class_id_preds = K.argmax(y_pred)
        accuracy_mask = K.cast(K.equal(class_id_preds, interesting_class_id), 'int32')

        class_acc_tensor = K.cast(K.equal(class_id_true, class_id_preds), 'int32') * 
        accuracy_mask
        class_acc = K.cast(K.sum(class_acc_tensor), 'float32') / 
        K.cast(K.maximum(K.sum(accuracy_mask), 1), 'float32')
        return class_acc
    return acc1


def single_class_recall(interesting_class_id):

    def recall(y_true, y_pred):

        class_id_true = K.argmax(y_true, axis=-1)
        class_id_pred = K.argmax(y_pred, axis=-1)
        recall_mask = K.cast(K.equal(class_id_true, interesting_class_id), 'int32')

        class_recall_tensor = K.cast(K.equal(class_id_true, class_id_pred), 'int32') * 
        recall_mask
        class_recall = K.cast(K.sum(class_recall_tensor), 'float32') / 
        K.cast(K.maximum(K.sum(recall_mask), 1), 'float32')
        return class_recall
    return recall


def single_class_precision(interesting_class_id):
    def prec(y_true, y_pred):
        class_id_true = K.argmax(y_true, axis=-1)
        class_id_pred = K.argmax(y_pred, axis=-1)
        precision_mask = K.cast(K.equal(class_id_pred, interesting_class_id), 'int32') 
        class_prec_tensor = K.cast(K.equal(class_id_true, class_id_pred), 'int32') * 
        precision_mask 
        class_prec = K.cast(K.sum(class_prec_tensor), 'float32') / 
         K.cast(K.maximum(K.sum(precision_mask), 1), 'float32')
        return class_prec
    return prec

resnet_model.compile(optimizer=Adam(lr=0.01),loss='binary_crossentropy',metrics=[                                         
                         'accuracy',
                         single_class_accuracy(0),  
                         single_class_accuracy(1),
                         single_class_recall(0),
                         single_class_recall(1),
                         single_class_precision(0),  
                        single_class_precision(1)
                       ])


resnet_model.save('my_model')

history = resnet_model.fit(train_ds, validation_data=val_ds, epochs=20)

Answer 1

您不能在metrics参数中添加多个指标，只更改您调用指标的参数。 在拟合 model 期间，它会检测到您有多个具有相同名称的指标。 该名称会自动设置为内部度量的名称 function: acc1 ，在您的情况下recall和prec 。 因此，当它通过您的metrics时，它会找到single_class_accuracy(0)并将其称为acc1 ，然后会找到single_class_accuracy(1)并尝试将其称为acc1 ，这会导致错误。

您可以为度量函数设置不同的名称，如下所示：

def single_class_accuracy(interesting_class_id):

    def acc1(y_true, y_pred):

        class_id_true = K.argmax(y_true)
        class_id_preds = K.argmax(y_pred)
        accuracy_mask = K.cast(K.equal(class_id_preds, interesting_class_id), 'int32')

        class_acc_tensor = K.cast(K.equal(class_id_true, class_id_preds), 'int32') * accuracy_mask
        class_acc = K.cast(K.sum(class_acc_tensor), 'float32') / K.cast(K.maximum(K.sum(accuracy_mask), 1), 'float32')
        return class_acc
    
    # setting a name according to your additional parameter
    acc1.__name__ = 'acc_1_{}'.format(interesting_class_id)
    return acc1