带有样本权重的 keras 自定义指标答案

【问题标题】：keras custom metric with sample weights带有样本权重的 keras 自定义指标
【发布时间】：2019-02-22 15:44:26
【问题描述】：

我正在尝试在 Keras 中定义一个考虑样本权重的自定义指标。拟合模型时，我使用的样本权重如下：

training_history = model.fit(
        train_data,
        train_labels,
        sample_weight = train_weights,
        epochs = num_epochs,
        batch_size = 128,
        validation_data = (validation_data, validatation_labels, validation_weights ),
    )

我使用的自定义指标的一个示例是 AUC（roc 曲线下的面积），我将其定义如下：

from keras import backend as K
import tensorflow as tf

def auc(true_labels, predictions, weights = None):
    auc = tf.metrics.auc(true_labels, predictions, weights = weights)[1]
    K.get_session().run(tf.local_variables_initializer())
    return auc

我在编译模型时使用这个指标：

model.compile(
        optimizer = optimizer,
        loss = 'binary_crossentropy',
        metrics = ['accuracy', auc]
    )

但据我所知，该指标并未考虑样本权重。事实上，我通过比较使用上面定义的自定义指标训练模型时看到的指标值与我自己根据模型输出和样本权重计算得到的指标值来验证这一点，这确实产生了非常不同的结果。如何定义上面显示的 auc 指标以考虑样本权重？

【问题讨论】：

参见“weighted_metrics”：stackoverflow.com/questions/64380057/…

标签： python tensorflow keras metrics

【解决方案1】：

您可以使用另一个以sample_weights 作为参数的函数来包装您的指标：

def auc(weights):
    def metric(true_labels, predictions):
        auc = tf.metrics.auc(true_labels, predictions, weights=weights)[1]
        K.get_session().run(tf.local_variables_initializer())
        return auc
    return metric

然后定义一个额外的输入占位符来接收样本权重：

sample_weights = Input(shape=(1,))

然后您的模型可以编译如下：

model.compile(
    optimizer = optimizer,
    loss = 'binary_crossentropy',
    metrics = ['accuracy', auc(sample_weights)]
)

注意：未经测试。

【讨论】：