具有自定义损失函数的Keras精度

我正在

Keras

中使用自定义损失函数：

def get_top_one_probability(vector):
  return (K.exp(vector) / K.sum(K.exp(vector)))

def listnet_loss(real_labels, predicted_labels):
  return -K.sum(get_top_one_probability(real_labels) * tf.math.log(get_top_one_probability(predicted_labels)))

---

如何使用自定义损失函数计算度量值

精度

？

损失函数和精度函数是两种不同的度量值。
改变一个不会改变另一个。因此，如果您的任务是一个回归问题，那么精度函数不会改变，也会很好（Keras使用回归问题的

回归精度

函数）。多类分类也一样（Keras使用

分类精度

函数解决多类问题）

但是，请确保当任务为二元分类时，更改损失函数会将精度函数从

二元精度

更改为

分类精度

，因此您可能会得到不同的结果。
解决方法是使用二进制_accuarcy，如下所示：

def binary_accuracy(y_true, y_pred):
    return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)
model.compile(loss=custom_loss,
              metrics=[binary_accuracy])

---

损失和准确性是两码事。更改损失函数不会更改精度函数。你想干什么？是二进制分类还是多类分类classififcation@DvirSamuel我知道损失和准确度是不同的。也许我对这个问题的理解不好。如果我使用自定义损失函数，我想知道Keras计算的精度是否可靠。它应该是可靠的。我知道在二进制分类任务中使用自定义损失函数时有一个技巧（所以请告诉我这是否是您的情况）。但对于其他任务，更改损失函数不会更改精度函数。@我的任务更像是一个回归问题。基本上，我试图对一个句子中的单词进行排序，为了做到这一点，我的NN为每个单词输出一个实数，然后对这些输出进行排序。请参阅我的答案。我给了其他会看到这个问题的人一个大致的答案