TensorFlow:创建混淆矩阵时无法将图像转换为浮点数
Posted
技术标签:
【中文标题】TensorFlow:创建混淆矩阵时无法将图像转换为浮点数【英文标题】:TensorFlow: Image cannot be converted to float when creating confusion matrix 【发布时间】:2019-06-30 02:58:22 【问题描述】:我正在尝试在 TensorFlow 中创建一个混淆矩阵,但我得到了一个
TypeError:图像数据无法转换为浮点数。
图像被准确预测,但现在我想使用 matplotlib 显示混淆矩阵。我尝试转换为 np.array() 但错误仍然相同。
我正在关注来自 scikit-learn 的混淆矩阵的官方文档。 https://scikit-learn.org/stable/auto_examples/model_selection/plot_confusion_matrix.html
def plot_confusion_matrix(cm, classes,
normalize=False,
title='Confusion matrix',
cmap=plt.cm.Blues):
"""
This function prints and plots the confusion matrix.
Normalization can be applied by setting `normalize=True`.
"""
if normalize:
cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]
print("Normalized confusion matrix")
else:
print('Confusion matrix, without normalization')
print(cm)
plt.imshow(cm, interpolation='nearest', cmap=cmap)
plt.title(title)
plt.colorbar()
tick_marks = np.arange(len(classes))
plt.xticks(tick_marks, classes, rotation=45)
plt.yticks(tick_marks, classes)
fmt = '.2f' if normalize else 'd'
thresh = cm.max() / 2.
for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
plt.text(j, i, format(cm[i, j], fmt),
horizontalalignment="center",
color="white" if cm[i, j] > thresh else "black")
plt.ylabel('True label')
plt.xlabel('Predicted label')
plt.tight_layout()
if result[0][0]>0.85:
predictions.append(result[0][0])
elif result[0][1]>0.85:
predictions.append(result[0][1])
elif result[0][2]>0.85:
predictions.append(result[0][2])
elif result[0][3]>0.85:
predictions.append(result[0][3])
elif result[0][4]>0.85:
predictions.append(result[0][4])
elif result[0][5]>0.85:
predictions.append(result[0][5])
class_names = ['Up', 'Down', 'Left', 'Right', 'Forward', 'Backward']
# label_list contains the filename e.g. hand1.jpg, hand2.jpg....
# Compute confusion matrix
cnf_matrix = tf.confusion_matrix(label_list,predictions,num_classes=6)
np.set_printoptions(precision=2)
# Plot non-normalized confusion matrix
plt.figure()
# ERROR HERE
plot_confusion_matrix(cnf_matrix, classes=class_names,title='Confusion matrix, without normalization')
# Plot normalized confusion matrix
plt.figure()
plot_confusion_matrix(cnf_matrix, classes=class_names, normalize=True,title='Normalized confusion matrix')
plt.show()
【问题讨论】:
【参考方案1】:我没有在我的电脑上测试过。你的描述对我来说有点模棱两可(错误行等),但你的代码和你链接的文档的主要区别是confusion_matrix()
。只需尝试使用 sckit-learn 的 confusion_matrix()
而不是 tensorflow 的 confusion_matrix()
(在链接中,使用前者)。在我看来,这是你可以走的最简单的方法。
编辑: 做出这样的预测:
for i in range(6):
if result[0][i] > 0.85:
predictions.append(i)
continue
那么您的预测将不会是连续的。在这里,您的预测应该是整数,因为您正在预测类标签。
【讨论】:
我更改了我的代码,使其遵循 scikit-learn 但现在我得到“ValueError:分类指标无法处理多类和连续目标的混合” @hassanyf 最简单的修复方法是将您的预测作为标签编号。例如,您可以执行以下操作:for i in range(6): if result[0][i] > 0.85: predictions.append(i) continue
我已编辑答案以包含此内容。以上是关于TensorFlow:创建混淆矩阵时无法将图像转换为浮点数的主要内容,如果未能解决你的问题,请参考以下文章
如何使用 Tensorflow 创建预测标签和真实标签的混淆矩阵?
TF 准确度得分和混淆矩阵不一致。 TensorFlow 是不是会在 BatchDataset 的每次访问时对数据进行洗牌?