无法实例化抽象类 RootMeanSquaredError答案

【问题标题】：Can't instantiate abstract class RootMeanSquaredError无法实例化抽象类 RootMeanSquaredError
【发布时间】：2022-01-19 16:58:40
【问题描述】：

我正在学习 Chollet 的“使用 Python 进行深度学习”。我一直在做一些实现，但我陷入了困境。我以为我打错了什么，但事实并非如此。

有人知道可能发生了什么吗？

model = get_mnist_model()
model.compile(optimizer="rmsprop",
    loss="sparse_categorical_crossentropy",
    metrics=["accuracy", RootMeanSquaredError()])
model.fit(train_images, train_labels,
    epochs=3,
    validation_data=(val_images, val_labels))

test_metrics = model.evaluate(test_images, test_labels)

TypeError: 无法实例化抽象类 RootMeanSquaredError 抽象方法结果

【问题讨论】：

标签： python tensorflow keras deep-learning

【解决方案1】：

我也遇到了这个错误，并意识到这是因为我在 Jupyter 笔记本的新代码块中定义了 result 和 reset_state 方法。一旦我将它们移动到与RootMeanSquaredError 类定义相同的块中，您发布的代码就可以正常工作而不会触发 TypeError。

这应该很明显，但直到我看到this example 我才意识到它们属于类定义。

【讨论】：

【解决方案2】：

在模型定义中配置模型编译后重试，并使用tf.keras.metrics.RootMeanSquaredError()作为评估指标。

def get_mnist_model():
  model = tf.keras.models.Sequential([
    keras.layers.Dense(512, activation='relu', input_shape=(784,)),
    ..
    ..
    
    keras.layers.Dense(10)
  ])

  model.compile(optimizer="rmsprop",
    loss="sparse_categorical_crossentropy",
    metrics=["accuracy", tf.keras.metrics.RootMeanSquaredError()])

  return model

【讨论】：

问题中没有提到，但本书的这一部分专门关于编写自定义指标，而不是关于使用 Keras 提供的指标。