Keras自定义指标迭代

Question

我是Keras的新手，我试图定义我自己的指标。它计算一致性指数，这是衡量回归问题的指标。

def cindex_score(y_true, y_pred): 
    sum = 0 
    pair = 0  
    for i in range(1, len(y_true)): 
     for j in range(0, i): 
      if i is not j: 
       if(y_true[i] > y_true[j]): 
        pair +=1 
        sum += 1* (y_pred[i] > y_pred[j]) + 0.5 * (y_pred[i] == y_pred[j]) 
    if pair is not 0: 
     return sum/pair 
    else: 
     return 0 


def baseline_model(hidden_neurons, inputdim): 
    model = Sequential() 
    model.add(Dense(hidden_neurons, input_dim=inputdim, init='normal', activation='relu')) 
    model.add(Dense(hidden_neurons, init='normal', activation='relu')) 
    model.add(Dense(1, init='normal')) #output layer 

    model.compile(loss='mean_squared_error', optimizer='adam', metrics=[cindex_score]) 
    return model 

def run_model(P_train, Y_train, P_test, model): 
    history = model.fit(numpy.array(P_train), numpy.array(Y_train), batch_size=50, nb_epoch=200) 
    plotLoss(history) 
    return model.predict(P_test) 

baseline_model，run_model和cindex_score功能在one.py和下面的函数是在two.py，我叫模型，

def experiment(): 
    hidden_neurons = 250 
    dmodel=baseline_model(hidden_neurons, train_pair.shape[1]) 
    predicted_Y = run_model(train_pair,train_Y, test_pair, dmodel) 

，但我得到了下面的错误，“对象类型'Tensor'没有len（）“。它也不适用于shape属性。例如，y_true表示为Tensor（“dense_4_target：0”，shape =（?,？），dtype = float32），其形状为Tensor（“strided_slice：0”，shape =（），dtype = INT32）。

请问如何在Tensor对象内迭代？

最佳，

Answer 1

，那么你可以尝试使用此代码来代替：

def cindex_score(y_true, y_pred): 

    g = tf.subtract(tf.expand_dims(y_pred, -1), y_pred) 
    g = tf.cast(g == 0.0, tf.float32) * 0.5 + tf.cast(g > 0.0, tf.float32) 

    f = tf.subtract(tf.expand_dims(y_true, -1), y_true) > 0.0 
    f = tf.matrix_band_part(tf.cast(f, tf.float32), -1, 0) 

    g = tf.reduce_sum(tf.multiply(g, f)) 
    f = tf.reduce_sum(f) 

    return tf.where(tf.equal(g, 0), 0.0, g/f) 

以下是验证两种方法均为eq的代码uivalent：

def _ref(J, K): 
    _sum = 0 
    _pair = 0 
    for _i in range(1, len(J)): 
     for _j in range(0, _i): 
      if _i is not _j: 
       if(J[_i] > J[_j]): 
        _pair +=1 
        _sum += 1* (K[_i] > K[_j]) + 0.5 * (K[_i] == K[_j]) 
    return 0 if _pair == 0 else _sum/_pair 

def _raw(J, K): 

    g = tf.subtract(tf.expand_dims(K, -1), K) 
    g = tf.cast(g == 0.0, tf.float32) * 0.5 + tf.cast(g > 0.0, tf.float32) 

    f = tf.subtract(tf.expand_dims(J, -1), J) > 0.0 
    f = tf.matrix_band_part(tf.cast(f, tf.float32), -1, 0) 

    g = tf.reduce_sum(tf.multiply(g, f)) 
    f = tf.reduce_sum(f) 

    return tf.where(tf.equal(g, 0), 0.0, g/f) 


for _ in range(100): 
    with tf.Session() as sess: 
     inputs = [tf.placeholder(dtype=tf.float32), 
        tf.placeholder(dtype=tf.float32)] 
     D = np.random.randint(low=10, high=1000) 
     data = [np.random.rand(D), np.random.rand(D)] 

     r1 = sess.run(_raw(inputs[0], inputs[1]), 
         feed_dict={x: y for x, y in zip(inputs, data)}) 
     r2 = _ref(data[0], data[1]) 

     assert np.isclose(r1, r2) 

请注意，这只适用于一维张量（很少情况下，你会在keras中）。

Answer 2

更换len(y_true)与y_true.shape[0]

如果旧版本TensorFlow的如果您正在使用tensorflow舒适的使用y_true.get_shape()

Answer 3

我用@Pedia代码为三维张量来计算的多标签分类排名的损失：

def rloss(y_true, y_pred): 
    g = tf.subtract(tf.expand_dims(y_pred[1], -1), y_pred[1]) 
    g = tf.cast(g == 0.0, tf.float32) * 0.5 + tf.cast(g > 0.0, tf.float32) 
    f = tf.subtract(tf.expand_dims(y_true[1], -1), y_true[1]) > 0.0 
    f = tf.matrix_band_part(tf.cast(f, tf.float32), -1, 0) 
    g = tf.reduce_sum(tf.multiply(g, f)) 
    f = tf.reduce_sum(f) 
return tf.where(tf.equal(g, 0), 0.0, g/f) 


model = Sequential() 
model.add(Dense(label_length, activation='relu')) 
model.add(Dense(label_length, activation='relu')) 
model.add(Dense(label_length, activation='sigmoid')) 
model.summary() 


adgard = optimizers.Adagrad(lr=0.01, epsilon=1e-08, decay=0.0) 
model.compile(loss='binary_crossentropy', 
      optimizer=adgard, metrics=[rloss]) 
model.fit(X_train, y_train, 
     batch_size=batch_size, 
     epochs=n_epoch, 
     validation_data=(X_test, y_test), 
     shuffle=True)