使用 Keras 为损失函数构建自定义指标，但有错误

Posted 2023-03-28

【中文标题】使用 Keras 为损失函数构建自定义指标，但有错误

【英文标题】：Build custom Metric for Loss Function with Keras, with errors

【发布时间】：2017-11-20 09:31:58

【问题描述】：

我正在尝试编写自定义度量函数以在这样编写的编译步骤中设置：

self.model.compile(optimizer=sgd,loss='categorical_crossentropy',metrics=[self.dice_similarity_coefficient_metric,self.positive_predictive_value_metric,self.sensitivity_metric])

我是这样写的 Dice Similarity Coefficient、Positive Predictive Value 和 Similarity：

FP = 误报 TP = 真阳性 FN = 假阴性

---

 def dice_similarity_coefficient_metric(self, y_true, y_pred):
        y_true = np.array(K.eval(y_true))
        y_pred = np.array(K.eval(y_pred))
        FP = np.sum(y_pred & np.logical_not(y_true)).astype(float)
        TP = np.sum(y_true & y_pred).astype(float)
        FN = np.sum(np.logical_not(y_pred) & 
        np.logical_not(y_true)).astype(float)
        return K.variable(np.array((2 * TP) / (FP + (2 * TP) + FN + 
        K.epsilon())))

---

    def positive_predictive_value_metric(self, y_true, y_pred):
        y_true = np.array(K.eval(y_true))
        y_pred = np.array(K.eval(y_pred))
        FP = np.sum(y_pred & np.logical_not(y_true)).astype(float)
        TP = np.sum(y_true & y_pred).astype(float)
        return K.variable(np.array(TP / (FP + TP + K.epsilon())))

---

    def sensitivity_metric(self, y_true, y_pred):
        y_true = np.array(K.eval(y_true))
        y_pred = np.array(K.eval(y_pred))
        TP = np.sum(y_true & y_pred).astype(float)
        FN = np.sum(np.logical_not(y_pred) & 
        np.logical_not(y_true)).astype(float)
        return K.variable(np.array(TP / (TP + FN + K.epsilon())))

当我运行代码时出现以下错误：

InvalidArgumentError（参见上面的回溯）：您必须为占位符张量“dense_3_target”提供一个 dtype float 的值 [[节点：dense_3_target = Placeholderdtype=DT_FLOAT, shape=[], _device="/job:localhost/replica:0/task:0/cpu:0"]]

有人能解释一下问题出在哪里吗？ 我哪里错了？

谢谢

【参考方案1】：

或许，最好使用后端函数来定义指标。例如：

def false_negatives(Y_true, Y_pred):
    return K.sum(K.round(K.clip(Y_true - Y_pred, 0, 1)))

可以用 5 FN 的示例数据进行检查：

y_true = np.array([[1.0, 1.0, 0.0, 1.0], [1.0, 1.0, 0.0, 1.0], [1.0, 1.0, 0.0, 1.0]], dtype=np.float32)
y_pred = np.array([[0.3, 0.99, 0.99, 0.1], [0.6, 0.99, 0.99, 0.1], [0.1, 0.99, 0.99, 0.1]], dtype=np.float32)
n_fn = np.sum((y_true - y_pred) > 0.5)
Y_true = K.placeholder((None, 4), dtype=K.floatx())
Y_pred = K.placeholder((None, 4), dtype=K.floatx())
n_fn = false_negatives(Y_true, Y_pred).eval(inputs_to_values=Y_true: y_true, Y_pred: y_pred)

HTH