如何使用TensorFlow指标在Keras

似乎有要对这个已经有几个线程/问题，但它不会出现，我认为这已经得到解决：如何使用TensorFlow指标在Keras

人们似乎遇到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。这是我已经能够拿出迄今最好的：

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])

此代码不抛出任何错误，但总是mean_iou返回0。我相信这是因为up_opt未评估。我已经看到，在TF 1.之前使用的东西沿着control_flow_ops.with_dependencies（[up_opt]，得分）的行来实现这一点。这在TF 1.3中似乎不可能了。

总之，如何评估Keras 2.0.6中的TF 1.3度量？这似乎是一个相当重要的特征。

来源

2017-08-29 davhab

没有你设法解决这个问题？ –

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

来源

2017-08-29 19:59:38

这会运行，但速度非常慢（与使用此附加度量不编译模型相比，速度要慢大约10倍）。我怀疑是*分数= tf.identity（分数）*的原因。有任何想法吗？ – davhab

这不是原因，'tf.identity'的复杂性是恒定的（1），它没有任何区别。原因是计算另一个指标。 –

这是否也适用于keras损失函数？ – josh

如何使用TensorFlow指标在Keras

回答

相关问题