CNN keras 中图像的混淆矩阵

Posted 2023-02-23

【中文标题】CNN keras 中图像的混淆矩阵

【英文标题】：Confusion matrix on images in CNN keras

【发布时间】：2018-11-22 08:51:21

【问题描述】：

我已经使用 keras 训练了我的 CNN 模型（多类分类），现在我想在我的测试图像集上评估该模型。

除了准确度、精确度和召回率之外，还有哪些可能的选项来评估我的模型？我知道如何从自定义脚本中获得精确度和召回率。但是我找不到一种方法来获取我的 12 类 图像 的混淆矩阵。 Scikit-learn 显示 way，但不适用于图像。 我正在使用 model.fit_generator ()

有没有办法为我的所有类创建混淆矩阵或找到我的类的分类置信度？我使用的是 Google Colab，不过我可以下载模型并在本地运行。

任何帮助将不胜感激。

代码：

train_data_path = 'dataset_cfps/train'
validation_data_path = 'dataset_cfps/validation'

#Parametres
img_width, img_height = 224, 224

vggface = VGGFace(model='resnet50', include_top=False, input_shape=(img_width, img_height, 3))

#vgg_model = VGGFace(include_top=False, input_shape=(224, 224, 3))

last_layer = vggface.get_layer('avg_pool').output
x = Flatten(name='flatten')(last_layer)
xx = Dense(256, activation = 'sigmoid')(x)
x1 = BatchNormalization()(xx)
x2 = Dropout(0.3)(x1)
y = Dense(256, activation = 'sigmoid')(x2)
yy = BatchNormalization()(y)
y1 = Dropout(0.6)(yy)
x3 = Dense(12, activation='sigmoid', name='classifier')(y1)

custom_vgg_model = Model(vggface.input, x3)


# Create the model
model = models.Sequential()

# Add the convolutional base model
model.add(custom_vgg_model)

model.summary()
#model = load_model('facenet_resnet_lr3_SGD_sameas1.h5')

def recall(y_true, y_pred):
     true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
     possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)))
     recall = true_positives / (possible_positives + K.epsilon())
     return recall

def precision(y_true, y_pred):
    true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
    predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))
    precision = true_positives / (predicted_positives + K.epsilon())
    return precision

train_datagen = ImageDataGenerator(
      rescale=1./255,
      rotation_range=20,
      width_shift_range=0.2,
      height_shift_range=0.2,
      horizontal_flip=True,
      fill_mode='nearest')


validation_datagen = ImageDataGenerator(rescale=1./255)

# Change the batchsize according to your system RAM
train_batchsize = 32
val_batchsize = 32

train_generator = train_datagen.flow_from_directory(
        train_data_path,
        target_size=(img_width, img_height),
        batch_size=train_batchsize,
        class_mode='categorical')

validation_generator = validation_datagen.flow_from_directory(
        validation_data_path,
        target_size=(img_width, img_height),
        batch_size=val_batchsize,
        class_mode='categorical',
        shuffle=True)

# Compile the model
model.compile(loss='categorical_crossentropy',
              optimizer=optimizers.SGD(lr=1e-3),
              metrics=['acc', recall, precision])
# Train the model
history = model.fit_generator(
      train_generator,
      steps_per_epoch=train_generator.samples/train_generator.batch_size ,
      epochs=100,
      validation_data=validation_generator,
      validation_steps=validation_generator.samples/validation_generator.batch_size,
      verbose=1)

# Save the model
model.save('facenet_resnet_lr3_SGD_new_FC.h5')

【问题讨论】：

将预测值保存到y_pred变量并使用sklearn.metrics.confusion_matrix(y_true, y_pred)

你能显示一些代码吗？我正在使用 model.fit_generator () 顺便说一句。

@AbhishekSingh 你能添加一些数据来运行代码并提供答案吗？

【参考方案1】：

为什么 scikit-learn 函数不能完成这项工作？您将训练/测试集中的所有样本（图像）向前传递，将 one-hot-encoding 转换为标签编码（请参阅link）并将其作为y_pred 传递给sklearn.metrics.confusion_matrix。您以与y_true 类似的方式继续进行操作（一键标记）。

示例代码：

import sklearn.metrics as metrics

y_pred_ohe = KerasClassifier.predict(X)  # shape=(n_samples, 12)
y_pred_labels = np.argmax(y_pred_ohe, axis=1)  # only necessary if output has one-hot-encoding, shape=(n_samples)

confusion_matrix = metrics.confusion_matrix(y_true=y_true_labels, y_pred=y_pred_labels)  # shape=(12, 12)

【讨论】：

能否请您显示一些代码，以便我更好地理解和投票/接受您的答案并关闭它？

嘿@Jan K 我已经更新了我的代码。谢谢你的帮助。我可以在这里添加什么？

【参考方案2】：

以下是如何获取所有类的混淆矩阵（或者可能是使用 scikit-learn 的统计数据）：

1.预测类

test_generator = ImageDataGenerator()
test_data_generator = test_generator.flow_from_directory(
    test_data_path, # Put your path here
     target_size=(img_width, img_height),
    batch_size=32,
    shuffle=False)
test_steps_per_epoch = numpy.math.ceil(test_data_generator.samples / test_data_generator.batch_size)

predictions = model.predict_generator(test_data_generator, steps=test_steps_per_epoch)
# Get most likely class
predicted_classes = numpy.argmax(predictions, axis=1)

2.获取ground-truth类和类标签

true_classes = test_data_generator.classes
class_labels = list(test_data_generator.class_indices.keys())   

3。使用 scikit-learn 获取统计数据

report = metrics.classification_report(true_classes, predicted_classes, target_names=class_labels)
print(report)    

您可以阅读更多here

编辑： 如果上述方法不起作用，请观看此视频Create confusion matrix for predictions from Keras model。如果您有问题，可能会查看 cmets。 或Make predictions with a Keras CNN Image Classifier

【参考方案3】：

这里的猫和狗是类标签：

#Confusion Matrix and Classification Report
from sklearn.metrics import classification_report
from sklearn.metrics import confusion_matrix

Y_pred = model.predict_generator(validation_generator, nb_validation_samples // 
batch_size+1)
y_pred = np.argmax(Y_pred, axis=1)

print('Confusion Matrix')
print(confusion_matrix(validation_generator.classes, y_pred))

print('Classification Report')
target_names = ['Cats', 'Dogs']
print(classification_report(validation_generator.classes, y_pred, target_names=target_names))