语境化
我正在处理图像的多标签分类问题。我正在尝试预测39个标签。换句话说，我试图识别给定图像中存在39个特征中的哪一个（在一个图像中可以找到许多特征，这就是为什么我处于多标签分类情况下的原因）。
数据
我的输入数据为（X，Y）：X的形状为（1814,204,204,3），Y的形状为（1814,39）。因此，基本上X是图像集，Y是与每个图像关联的标签，这些标签将用于监督学习过程。
模型
我正在构建卷积神经网络以进行预测。对于此任务，我使用Keras来创建我的模型。
我做了什么
为了验证我的模型，我需要选择一个指标。但是，在我的情况下，Keras中可用的度量标准是无关紧要的，因为我处于多标签分类情况，因此无法帮助我验证模型。因此，我决定创建自定义指标。我创建了应用于Y和Y_predict列的召回率和精度指标。换句话说，我将计算39个类别中每个类别的查全率和查准率。因此，这是我的指标代码：
def recall(y_true, y_pred):
#Recall metric.
true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)),axis=0)
possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)),axis=0)
recall = true_positives / (possible_positives + K.epsilon())
return recall
def precision(y_true, y_pred):
#Precision metric.
true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)),axis=0)
predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)),axis=1)
precision = true_positives / (predicted_positives + K.epsilon())
return precision
我的向量Y的形状为（n，39），这就是为什么我在轴= 0上执行操作的原因。换句话说，对于每个标签，我都在计算精度和召回率。
下一步，我将这两个指标称为keras fit函数。换句话说，我使用了以下代码：
model.compile(loss='binary_crossentropy', optimizer=sgd, metrics=[precision,recall])
建立，编译和拟合模型的代码：
这是我用于构建模型及其结果的代码。 （我没有将代码分成训练和验证的部分：训练1269个样本，验证545个样本）
# Model: CNN
model = Sequential()
model.add(Conv2D(32, (3, 3), input_shape=(204, 204, 3), padding='same', activation='relu', kernel_constraint=maxnorm(3)))
model.add(Dropout(0.2))
model.add(Conv2D(32, (3, 3), activation='relu', padding='same', kernel_constraint=maxnorm(3)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(512, activation='relu', kernel_constraint=maxnorm(3)))
model.add(Dropout(0.5))
model.add(Dense(39))
model.add(Activation('sigmoid'))
# Compile model
epochs = 5
lrate = 0.001
decay = lrate/epochs
sgd = SGD(lr=lrate, momentum=0.9, decay=decay, nesterov=False)
model.compile(loss='binary_crossentropy', optimizer=sgd, metrics=[precision,recall])
# fitting the model
model.fit(X_train, Y_train, epochs=epochs, batch_size=32,validation_data=(X_valid,Y_valid))
结果
Train on 1269 samples, validate on 545 samples
Epoch 1/5
96/1269 [=>............................] - ETA: 6:40 - loss: 0.6668 - precision: 0.1031 - recall: 0.2493
问题/问题
问题1：在结果部分的日志中，有精度和召回率值。我不知道为什么我得到了真实的价值，而不是价值的矢量。我构造两个指标的方式应为我提供一个形状数组，精度为（1,39），召回形状为（1,39），其中应该包含每个类的精度和召回率，但输出仍然是一个数字？
问题2：这些由日志给出的精度和召回率值代表了大小=批处理数据的度量计算？我该如何计算一个时期的指标（作为信息比仅仅计算一个批次更有用？有人可能会说，只是计算所有批次的平均值？当然，这就是我的想法，但我没有我知道该怎么做，因为KERAS对我来说有点像黑匣子，而我不完全是为了跟踪/修改代码的适当部分而在“幕后”发生了什么？
最佳答案
我认为您正在使用tensorflow后端。实际上，您可以将sklearn.metrics用于keras，只需通过sklearn调用tf.py_func度量即可，该度量会将python函数扭曲为tf函数。
对于Q1，您看到的实际值实际上是度量矢量的平均值。
对于第二季度。它应该是整个时期的平均分数以进行验证。
关于python - 多标签分类:keras自定义指标，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/49987631/