Keras 自定义目标需要张量评估

Question

我想创建一个自定义目标函数来训练 Keras 深度网络。我正在研究不平衡数据的分类，我在 scikit-learn 中经常使用 F1 分数。因此，我有了反转 F1 指标（1 - F1 分数）的想法，将其用作 Keras 在训练时最小化的损失函数/目标：

(from sklearn.metric import f1_score)

def F1Loss(y_true, y_pred):

    return 1. - f1_score(y_true, y_pred)

但是，来自 scikit-learn 的 f1_score 方法需要 numpy 数组或列表来计算 F1 分数。我发现需要使用 .eval() 将张量评估为对应的 numpy 数组，这需要 TensorFlow 会话来执行此任务。

我不知道 Keras 使用的会话对象。我尝试使用下面的代码，假设 Keras 后端在某处定义了自己的会话对象，但这也不起作用。

from keras import backend as K

K.eval(y_true)

诚然，这是在黑暗中的一次尝试，因为我现在并不真正了解 Keras 或 Tensorflow 的更深层次的工作原理。

我的问题是：如何将 y_true 和 y_pred 张量评估为对应的 numpy 数组？

Answer 1

您的问题是在 Theano 中实现不连续目标的经典问题。这是不可能的，有两个原因：

1. F1-score 不连续： here 您可以阅读神经网络训练中目标函数的预期值。 F1-score 不满足这个条件 - 所以它不能用于训练神经网络。
2. Tensor 和 Numpy 数组之间没有等价性：这是一个基本问题。 Theano 张量就像学校方程中的 x。您不能期望代数变量等同于可以分配给它的任何对象。另一方面 - 作为计算图的一部分 - 应该提供张量操作以计算目标。如果不是 - 你无法区分它w.r.t。参数是什么使大多数通常的神经网络训练方式变得不可能。

Answer 2

如果你有 numpy 数组格式的预测和实际张量，那么我猜你可以使用这个代码 sn-p：

correct_prediction = tf.equal(tf.argmax(actual_tensor,1), tf.argmax(predicted_tensor,1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

在 keras 中，我认为你可以使用这个：

model.fit_generator(train_generator, validation_data=val_generator, nb_val_samples=X_val.shape[0],
                        samples_per_epoch=X_train.shape[0], nb_epoch=nb_epoch, verbose=1,
                        callbacks=[model_checkpoint, reduce_lr, tb], max_q_size=1000)

train_generator 和 val_generator 在训练时生成训练和验证数据，这还会在训练时打印损失和准确度。

希望这会有所帮助...