Keras 计算CNN中的假阳性率（FPR）和真阳性率（TPR）

我正在设计一个CNN对两种类型的图像进行分类，我需要计算FPR和TPR

在下面，您可以看到我的代码，但我不知道如何基于此代码计算FPR和TPR。 你能告诉我怎么做吗。 我知道为了计算FPR和TPR，我可以使用以下代码

fpr, tpr, thresholds = metrics.roc_curve(y_test, y_predic)

而y_预测可以通过

y_predic=model.predict（x_检验）

但在我的代码中，我不知道如何才能做到这一点。 如果你能帮助我，我将不胜感激

num_classes = 1
batch_size = 512
epoch = 100

model = Sequential()

model.add(Conv2D(filters=8, kernel_size=(3, 3), padding='Valid', activation='relu', input_shape=(64, 64, 3)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(rate=0.3))

model.add(Conv2D(filters=8, kernel_size=(3, 3), padding='Same', activation='relu'))
model.add(Dropout(rate=0.3))

model.add(Conv2D(filters=16, kernel_size=(3, 3), padding='Same',activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(rate=0.3))

model.add(Flatten())


model.add(Dense(units=128, activation='relu'))

model.add(Dense(units=num_classes, activation='sigmoid'))

model.compile(optimizer='adam', loss=keras.losses.binary_crossentropy, metrics=['accuracy'])
print(model.summary())

train_datagen = ImageDataGenerator(rescale = 1./255,
                                   shear_range = 0.2,
                                   zoom_range = 0.2)


test_datagen = ImageDataGenerator(rescale = 1./255)

training_set = train_datagen.flow_from_directory('D:/Data/CNN/train',
                                                 target_size = (64, 64),
                                                 batch_size = batch_size,
                                                 class_mode = 'binary')

test_set = test_datagen.flow_from_directory('D:/Data/CNN/test',
                                            target_size = (64, 64),
                                            batch_size = batch_size,
                                            class_mode = 'binary', shuffle= True)


history = model.fit_generator(training_set,
                             steps_per_epoch = 4000//batch_size,
                             epochs = epoch,
                             verbose= 2,
                             validation_data = test_set,
                             validation_steps = 1000//batch_size) 

---

您几乎可以按原样使用

keras.metrics

。它同时具有FPR、TPR和

灵敏度和特异性

model.compile(optimizer='adam', loss=keras.losses.binary_crossentropy, metrics=['accuracy', tf.keras.metrics.SensitivityAtSpecificity(0.5)])

但是keras模型只支持
keras.metrics
，因此在不编写自定义度量的情况下，不能使用
tf.metrics

你说的“计算”是什么意思？您是否需要将FPR和TPR与
指标=['accurity']
一起输出？是的。我只需要FPR和TPR来计算灵敏度和特异性。谢谢你的回复。我尝试过使用它，但我不知道如何在代码中导入此部分。因为灵敏度和特异性在tf.keras.metrics
导入tensorflow为tf
中没有定义，或者您可以根据您的输入使用
keras.metrics
，我以前做过。但是敏感性和特异性在tf.keras.Metrics中没有定义，很高兴听到。如果答案是有用的，请考虑赞成/接受。对不起，我删除了我的信息。因为为了在我的tf.keras.metrics中具有敏感性和特异性，我必须用链接中提到的代码替换我的metrics.py。但不幸的是，在那之后，我无法导入我的keras。