在 tf.Estimator 设置中使用 tf.metrics.precision/recall 计算 F1 分数答案

【问题标题】：Calculate F1 Score using tf.metrics.precision/recall in a tf.Estimator setup在 tf.Estimator 设置中使用 tf.metrics.precision/recall 计算 F1 分数
【发布时间】：2019-05-06 07:56:11
【问题描述】：

我正在尝试在 tf.Estimator 设置中计算 F1 分数。

我看过这个SO question，但无法从中提炼出可行的解决方案。

tf.Estimator 的问题是它希望我提供一个值和一个更新操作，所以现在，我的模型末尾有这段代码：

if mode == tf.estimator.ModeKeys.EVAL:
    with tf.variable_scope('eval'):
        precision, precision_update_op = tf.metrics.precision(labels=labels,
                                            predictions=predictions['class'],
                                            name='precision')

        recall, recall_update_op = tf.metrics.recall(labels=labels,
                                      predictions=predictions['class'],
                                      name='recall')

        f1_score, f1_update_op = tf.metrics.mean((2 * precision * recall) / (precision + recall), name='f1_score')

        eval_metric_ops = {
            "precision": (precision, precision_update_op),
            "recall": (recall, recall_update_op),
            "f1_score": (f1_score, f1_update_op)}

现在准确率和召回率似乎工作得很好，但在 F1 分数上，我不断得到nan。

我应该如何让它发挥作用？

编辑：

使用tf.contrib.metrics.f1_score 可以实现有效的解决方案，但由于contrib 将在 TF 2.0 中被弃用，我会很感激contrib-less 解决方案

【问题讨论】：

标签： python tensorflow tensorflow-estimator

【解决方案1】：

我是这样做的：

def f1_score_class0(labels, predictions):
    """
    To calculate f1-score for the 1st class.
    """
    prec, update_op1 = tf.compat.v1.metrics.precision_at_k(labels, predictions, 1, class_id=0)
    rec,  update_op2 = tf.compat.v1.metrics.recall_at_k(labels, predictions, 1, class_id=0)

    return {
            "f1_Score_for_class0":
                ( 2*(prec * rec) / (prec + rec) , tf.group(update_op1, update_op2) )
    }

【讨论】：

【解决方案2】：

1) 你为什么要tf.metrics.mean？召回率和准确率是标量值

2) 您是否尝试过打印f1_score 和f1_update_op？

3) 从documentation of recall 他们提到如何

为了在数据流上估计度量，该函数创建一个 update_op 来更新这些变量并返回召回率。 update_op 通过权重中的相应值对每个预测进行加权

由于您直接从处理更新的两个操作中获得 F1 分数，因此请尝试执行 tf.identity（这实际上不会导致任何更改）

【讨论】：

你不能这样做，因为 eval_metric_ops 期望得到一个 (value, update_op) 的元组
是的，所以第一个值是您计算的 f1_score，第二个操作只是身份操作？

【解决方案3】：

f1 值张量可以根据精度和召回值计算。指标必须是 (value, update_op) 元组。我们可以为 f1 传递 tf.identity。这对我有用：

import tensorflow as tf

def metric_fn(labels, logits):
    predictions = tf.argmax(logits, axis=-1)
    pr, pr_op = tf.metrics.precision(labels, predictions)
    re, re_op = tf.metrics.recall(labels, predictions)
    f1 = (2 * pr * re) / (pr + re)
    return {
        'precision': (pr, pr_op),
        'recall': (re, re_op),
        'f1': (f1, tf.identity(f1))
    }

【讨论】：

期望操作的tf.identity(f1)是什么意思？
它将张量转换为虚拟操作，因为 tf.metrics 必须返回元组（值张量，更新操作）。
你确定这行得通吗？据我了解，该操作用于批量计算指标的能力，因为这里的操作没有任何意义，我想知道它是否不会破坏分数

【解决方案4】：

TensorFlow addons已经有官方解决方案

https://www.tensorflow.org/addons/api_docs/python/tfa/metrics/F1Score

【讨论】：