我有一堆流指标（tf.metrics.accuracy和custom流micro，macro和weighted F1分数）。
在训练期间，我得到下面的图（不要考虑过度拟合）。
发生这种情况的原因是，为了计算验证集的指标，我称tf.local_variables_initializer以重置指标，并且仅具有验证集的值。
这意味着2种副作用：
图像中的尖峰
在两次验证之间，即使每2个周期进行一次验证，训练指标也会不断汇总
我可以通过让不同的张量保存每个度量（火车与瓦尔）来部分解决这种情况。但这不能解决2.
因此，我有两个问题：
根据您的经验，这是您期望看到的一种行为（解决方案吗？）
有没有办法让指标仅在最后的n批次中流式传输？
最佳答案
如果您在两次培训之间重置指标，则将出现此现象。
如果训练指标是两个不同的操作，则它们不会合并验证指标。我将举一个示例，说明如何保持这些指标不同，以及如何仅重置其中一个。
玩具示例：
logits = tf.placeholder(tf.int64, [2,3])
labels = tf.Variable([[0, 1, 0], [1, 0, 1]])
#create two different ops
with tf.name_scope('train'):
train_acc, train_acc_op = tf.metrics.accuracy(labels=tf.argmax(labels, 1),
predictions=tf.argmax(logits,1))
with tf.name_scope('valid'):
valid_acc, valid_acc_op = tf.metrics.accuracy(labels=tf.argmax(labels, 1),
predictions=tf.argmax(logits,1))
训练：
#initialize the local variables has it holds the variables used for metrics calculation.
sess.run(tf.local_variables_initializer())
sess.run(tf.global_variables_initializer())
# initial state
print(sess.run(train_acc, {logits:[[0,1,0],[1,0,1]]}))
print(sess.run(valid_acc, {logits:[[0,1,0],[1,0,1]]}))
#0.0
#0.0
初始状态为预期的
0.0。现在调用训练操作指标：
#training loop
for _ in range(10):
sess.run(train_acc_op, {logits:[[0,1,0],[1,0,1]]})
print(sess.run(train_acc, {logits:[[0,1,0],[1,0,1]]}))
# 1.0
print(sess.run(valid_acc, {logits:[[0,1,0],[1,0,1]]}))
# 0.0
有效精度仍为
0.0时，仅更新训练精度。调用有效操作：for _ in range(10):
sess.run(valid_acc_op, {logits:[[0,1,0],[0,1,0]]})
print(sess.run(valid_acc, {logits:[[0,1,0],[1,0,1]]}))
#0.5
print(sess.run(train_acc, {logits:[[0,1,0],[1,0,1]]}))
#1.0
在此，有效精度被更新为新值，而训练精度保持不变。
让我们只重置验证操作：
stream_vars_valid = [v for v in tf.local_variables() if 'valid/' in v.name]
sess.run(tf.variables_initializer(stream_vars_valid))
print(sess.run(valid_acc, {logits:[[0,1,0],[1,0,1]]}))
#0.0
print(sess.run(train_acc, {logits:[[0,1,0],[1,0,1]]}))
#1.0
有效精度重置为零，而训练精度保持不变。
关于python - 重置Tensorflow流指标的变量，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/50745126/