您需要将相关的指标函数放入您的model_fn。
例如:
tf.summary.image('input_image', input_image, max_outputs)
for v in tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES):
tf.summary.histogram(v.name, v)
包括update_op 的指标,例如 f1 分数的准确性需要提供给eval_metric_ops。使用切片是因为它们输出两个值,度量值和更新操作
f1 = tf.contrib.metrics.f1_score(labels, predictions, num_thresholds)
accuracy = tf.metrics.accuracy(labels, predictions)
tf.summary.scalar('accuracy', accuracy[1])
eval_metric_ops = {
'f1_score': f1,
'accuracy': accuracy
}
return tf.estimator.EstimatorSpec(mode=mode,
loss=loss,
train_op=train_op,
eval_metric_ops=eval_metric_ops,
)
eval_metric_ops dict 可以在训练模式和评估模式下输入。
如果您使用的是固定估算器,您可以使用 add_metrics
编辑:
根据官方文档,您可以将binary_classification_head 与罐装估算器一起使用,或者在返回 estimator_spec 的 model_fn 函数中使用。见
my_head = tf.contrib.estimator.binary_classification_head()
my_estimator = tf.estimator.DNNEstimator(
head=my_head,
hidden_units=...,
feature_columns=...)
在这种情况下,即使没有 add_metrics func,您也应该能够添加指标