理解Keras中的度量计算

我已尝试在Keras中实施真正的积极指标：

def TP（y_真，y_pred）：
估计值=K.argmax（y_pred，轴=1）
真值=K.argmax（y_真值，轴=1）
TP=K.总和（真值*估计值）
返回TP

基于我的最后一层输出形状：（批次，2）。 该功能已通过numpy argmax等效软件测试，效果良好

我使用了一个交叉熵损失函数，它给了我度量值。但是这个值怎么可能是十进制数呢？我做错了什么？谢谢

已编辑：以下是Keras模型的示例代码：

def TP（y_真，y_pred）：
估计值=K.argmax（y_pred，轴=1）
真值=K.argmax（y_真值，轴=1）
TP=K.总和（真值*估计值）
返回TP
纪元=10
批量大小=2
模型=顺序([
密集型（32，输入_形=（4，），
激活（“relu”），
密度（2），
激活（“softmax”），
])
model.compile（优化器='adam'，
损失class='classifical_crossentropy'，
指标=[‘准确度’，TP]）
model.summary（）
列=np.数组（[[17,0,1,0]，[17,0,1,0]，[17,0,1,0]，[17,0,1,0]，[17,0,1,0]，[2,1,0,1]，[0,1,0,1]，[0,1,0,1]，[0,1,0,1]）
labels=np.数组（[[1,0]，[1,0]，[1,0]，[1,0]，[0,1]，[0,1]，[0,1]，[0,1]，[0,1]）
model.fit（序列、标签、年代=年代、批次大小=批次大小、详细程度=2）

这里的一个测试显示了TP功能似乎是有效的

def npTP（y_真，y_pred）：
估计值=np.argmax（y_pred，轴=1）
真值=np.argmax（y_真值，轴=1）
TP=np.和（真值*估计值）
返回TP
y_true=np.数组（[[1,0]、[1,0]、[1,0]、[1,0]、[1,0]、[0,1]、[0,1]、[0,1]、[0,1]）
y_pred=np.数组（[[0,1]，[0,1]，[0,1]，[0,1]，[0,1]，[0,1]，[0,1]，[0,1]，[0,1]）
打印（“np检查：”）
打印（npTP（y_true，y_pred））

运行此代码将提供以下输出：

Using TensorFlow backend.

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_1 (Dense)              (None, 32)                160       
_________________________________________________________________
activation_1 (Activation)    (None, 32)                0         
_________________________________________________________________
dense_2 (Dense)              (None, 2)                 66        
_________________________________________________________________
activation_2 (Activation)    (None, 2)                 0         
=================================================================
Total params: 226
Trainable params: 226
Non-trainable params: 0
_________________________________________________________________
Epoch 1/10
 - 0s - loss: 0.3934 - acc: 0.6000 - TP: 0.2000
Epoch 2/10                           ^^^^^^^^^^ here are the decimal values
 - 0s - loss: 0.3736 - acc: 0.6000 - TP: 0.2000
Epoch 3/10                           ^^^^^^^^^^
 - 0s - loss: 0.3562 - acc: 0.6000 - TP: 0.2000
Epoch 4/10                           ^^^^^^^^^^
 - 0s - loss: 0.3416 - acc: 0.7000 - TP: 0.4000
Epoch 5/10                           ^^^^^^^^^^
 - 0s - loss: 0.3240 - acc: 1.0000 - TP: 1.0000
Epoch 6/10
 - 0s - loss: 0.3118 - acc: 1.0000 - TP: 1.0000
Epoch 7/10
 - 0s - loss: 0.2960 - acc: 1.0000 - TP: 1.0000
Epoch 8/10
 - 0s - loss: 0.2806 - acc: 1.0000 - TP: 1.0000
Epoch 9/10
 - 0s - loss: 0.2656 - acc: 1.0000 - TP: 1.0000
Epoch 10/10
 - 0s - loss: 0.2535 - acc: 1.0000 - TP: 1.0000

np check : 
5

---

谢谢

正如沙漠怪人所指出的，答案已经解释清楚了

Keras正在进行批次和时代之间的运行平均。 这里有

batch\u size=2

和10个样本，每个历元运行5次训练（

10/2=5

）

---

为了理解历元1的输出度量，5次训练后的

TP

总数必须为1，因此度量给出

1/5=0.2

。第4纪元在5次培训中有2次TP，在度量中给出

2/5=0.4

正如沙漠怪人所指出的，答案已经解释清楚了

Keras正在进行批次和时代之间的运行平均。 这里有

batch\u size=2

和10个样本，每个历元运行5次训练（

10/2=5

）

---

为了理解历元1的输出度量，5次训练后的

TP

总数必须为1，因此度量给出

1/5=0.2

。第4纪元在5次培训中有2次TP，在度量中给出

2/5=0.4

请注意，发帖问题并非易如反掌，最好的发帖时机不是在出去吃午饭/喝咖啡或其他什么之前。如果你想回答问题，前20-30分钟非常重要，你可以回答评论和澄清请求；from：“发布后，将问题在浏览器中保留一段时间，看看是否有人发表评论。如果您遗漏了一条明显的信息，请准备好通过编辑您的问题以将其包括在内来回答”。因此，您确实有5个TP（您的

y_pred

和

y_true

的最后5个元素）；这里的问题到底是什么？您指的是什么“十进制”？当我使用numpy函数时，5个TP。在

fit

培训中包括了Keras指标，前4个阶段给出了0.2和0.4作为真实阳性数。我不明白为什么。这是批次和年代之间的平均值，所以它确实可以取十进制值：谢谢你指出这一点，这正是我想要的。请注意，发布问题不是一件容易忘记的事情，最好的发布时间不是在出去吃午饭/喝咖啡/什么之前。如果你想回答问题，前20-30分钟非常重要，你可以回答评论和澄清请求；from：“发布后，将问题在浏览器中保留一段时间，看看是否有人发表评论。如果您遗漏了一条明显的信息，请准备好通过编辑您的问题以将其包括在内来回答”。因此，您确实有5个TP（您的

y_pred

和

y_true

的最后5个元素）；这里的问题到底是什么？您指的是什么“十进制”？当我使用numpy函数时，5个TP。在

fit

培训中包括了Keras指标，前4个阶段给出了0.2和0.4作为真实阳性数。我不明白为什么。这是批次和年代之间的运行平均值，所以它确实可以取十进制值：谢谢你指出这一点，这正是我想要的。