如何在Keras中使用TensorFlow指標

Question

似乎已經有幾個線程/問題，但在我看來，這已經解決了：

如何在keras模型中使用tensorflow度量函數？

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

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

人們似乎遇到了變量初始化或度量標准為0的問題。

我需要計算不同的細分指標，並希望在我的Keras模型中包含tf.metric.mean_iou 。 這是迄今為止我能夠想到的最好的：

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])

此代碼不會拋出任何錯誤，但mean_iou總是返回0.我相信這是因為不評估up_opt 。 我已經看到在TF 1.3之前， 人們已經建議使用control_flow_ops.with_dependencies（[up_opt]，score）來實現這一點。 這在TF 1.3中似乎不太可能。

總之，如何評估Keras 2.0.6中的TF 1.3指標？ 這似乎是一個非常重要的特征。

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

有兩個關鍵讓我這個工作。 第一個是使用

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

在使用TF函數（和編譯）之后但在執行model.fit()之前初始化TF變量。 你在最初的例子中已經有了這個，但是大多數其他例子都顯示了tf.global_variables_initializer() ，這對我來說不起作用。

我發現的另一件事是op_update對象，它作為許多TF指標的元組的第二部分返回，是我們想要的。 當TF指標與Keras一起使用時，另一部分似乎為0。 因此，您的IOU指標應如下所示：

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(...)