Python 3.x '；布尔'；对象不可下标-Keras

我目前参与了一个深度学习项目，我需要使用灵敏度和特异性指标对其进行评估，这不包括在keras开箱即用中

我已经实现了如下灵敏度功能：

from keras import backend as K

def sensitivity(y, y_pred):
    TP = 0
    FP = 0
    TN = 0
    FN = 0
    for i in range(5):
        true = (y == i)
        preds = (y_pred == i)
        print(preds)
        TP += K.sum(preds[true == 1])
        FP += K.sum(true[np.invert(preds) == 1])
        TN += K.sum(np.invert(preds)[true == 1])
        FN += K.sum(true[preds == 0])
    return TP / (TP + FN)

这本身就可以很好地工作。但是，当我试图在编译模型时使用它时，会出现错误“'bool'对象不可订阅”

我怎样才能解决这个问题

下面包含编译代码和完整的错误消息。非常感谢。 编辑：通过下面的回复和一些研究，我能够修复我粘贴在文章底部的代码。在Keras中编译模型时，它由Theano或TensorFlow进行评估，因此您不能使用Numpy命令来制定自己的度量

from keras.datasets import mnist
from keras.applications.vgg16 import VGG16

(x_train, y_train), (x_test, y_test) = mnist.load_data()

model = VGG16(
    include_top=False,
    weights='imagenet',
    input_tensor=None,
    input_shape=None,
    pooling=None,
    classes=10)

model.compile(optimizer='rmsprop',
    loss='categorical_crossentropy',
    metrics=['accuracy', sensitivity])

---

TypeError回溯（最近一次调用）
在（）
9.model.compile（optimizer='rmsprop'，
10损失=分类交叉熵'，
--->11个指标=[‘准确性’，敏感性]）
/编译中的home/USER/Documents/deep\u learning/custom\u metrics/venv/lib/python3.6/site-packages/keras/engine/training.py（self、optimizer、loss、metrics、loss\u weights、sample\u weight\u mode、weights\u metrics、target\u tensors、**kwargs）
449输出度量=嵌套度量[i]
450输出加权度量=嵌套加权度量[i]
-->451处理度量（输出度量）
452处理度量（输出加权度量，权重=权重）
453
/home/USER/Documents/deep_learning/custom_metrics/venv/lib/python3.6/site-packages/keras/engine/training.py in handle_metrics（指标、权重）
418度量结果=加权度量fn（y_真，y_pred，
419重量=重量，
-->420掩码=掩码[i]）
421
422#将self.metrics_名称、self.metric_张量，
/home/USER/Documents/deep_learning/custom_metrics/venv/lib/python3.6/site-packages/keras/engine/training_utils.py in weighted（y_true，y_pred，weights，mask）
402  """
403#分数_数组的ndim>=2
-->404分数数组=fn（y_真，y_pred）
405如果掩码不是无：
406#将遮罩投射到floatX，以避免float64向上投射
灵敏度（y，y_pred）
11 preds=（y_pred==i）
12份印刷品（preds）
--->13 TP+=K.sum（preds[true==1]）
14 FP+=K.sum（真[np.invert（preds）==1]）
15 TN+=K.sum（np.invert（preds）[真==1]）
TypeError:“bool”对象不可下标
def灵敏度（y，y_pred）：
TP=0
FP=0
TN=0
FN=0
对于范围（5）中的i：
真=K等于（y，i）
preds=K.equal（y_pred，i）
TP+=K.sum（K.cast（tf.boolean_mask（preds，tf.math.equal（true，true）），'int32'））
FP+=K.sum（K.cast（tf.boolean_mask（true，tf.math.equal（~preds，true）），'int32'））
TN+=K.sum（K.cast（tf.boolean_mask（~preds，tf.math.equal（true，true）），'int32'））
FN+=K.sum（K.cast（tf.boolean_mask（true，tf.math.equal（preds，False）），'int32'））
返回TP/（TP+FN）

这些是TensorFlow张量，而不是NumPy数组，因此您必须以不同的方式使用它们。将

true=（y==i）

替换为

true=K.equal（y，i）

preds[true==1]将是

tf.boolean_掩码（preds，tf.equal（true，1））

或

tf.gather（preds，tf.where（tf.equal.true，1））[：，0]）

使用TensorFlow，我不确定你会如何使用纯Keras后端。

np.invert（preds）

将是

tf.bitwise.invert（preds）

使用TensorFlow或只是

~preds

。这些是TensorFlow张量，而不是NumPy数组，因此你必须以不同的方式使用它们。替换类似

true=（y==I）的东西
true=K.equal（y，i）
preds[true==1]

将是

tf.boolean_掩码（preds，tf.equal（true，1））

或

tf.gather（preds，tf.where（tf.equal（true，1））

使用TensorFlow，我不确定如何使用纯Keras后端。

np.invert（preds）

将是

tf.bitwise.invert（preds）

使用TensorFlow或仅使用

~preds

。

TypeError                                 Traceback (most recent call last)
<ipython-input-20-46c5d210c7ea> in <module>()
     9 model.compile(optimizer='rmsprop',
     10               loss='categorical_crossentropy',
---> 11               metrics=['accuracy', sensitivity])

/home/USER/Documents/deep_learning/custom_metrics/venv/lib/python3.6/site-packages/keras/engine/training.py in compile(self, optimizer, loss, metrics, loss_weights, sample_weight_mode, weighted_metrics, target_tensors, **kwargs)
    449  output_metrics = nested_metrics[i]
    450  output_weighted_metrics = nested_weighted_metrics[i]
--> 451  handle_metrics(output_metrics)
    452  handle_metrics(output_weighted_metrics, weights=weights)
    453 

/home/USER/Documents/deep_learning/custom_metrics/venv/lib/python3.6/site-packages/keras/engine/training.py in handle_metrics(metrics, weights)
    418  metric_result = weighted_metric_fn(y_true, y_pred,
    419  weights=weights,
--> 420  mask=masks[i])
    421 
    422  # Append to self.metrics_names, self.metric_tensors,

/home/USER/Documents/deep_learning/custom_metrics/venv/lib/python3.6/site-packages/keras/engine/training_utils.py in weighted(y_true, y_pred, weights, mask)
    402  """
    403  # score_array has ndim >= 2
--> 404  score_array = fn(y_true, y_pred)
    405  if mask is not None:
    406       # Cast the mask to floatX to avoid float64 upcasting in Theano

<ipython-input-18-caa661fb93ac> in sensitivity(y, y_pred)
     11  preds = (y_pred == i)
     12  print(preds)
---> 13  TP += K.sum(preds[true == 1])
     14  FP += K.sum(true[np.invert(preds) == 1])
     15  TN += K.sum(np.invert(preds)[true == 1])

TypeError: 'bool' object is not subscriptable

def sensitivity(y, y_pred):
    TP = 0
    FP = 0
    TN = 0
    FN = 0
    for i in range(5):
        true = K.equal(y, i)
        preds = K.equal(y_pred, i)
        TP += K.sum(K.cast(tf.boolean_mask(preds, tf.math.equal(true, True)), 'int32'))
        FP += K.sum(K.cast(tf.boolean_mask(true, tf.math.equal(~preds, True)), 'int32'))
        TN += K.sum(K.cast(tf.boolean_mask(~preds, tf.math.equal(true, True)), 'int32'))
        FN += K.sum(K.cast(tf.boolean_mask(true, tf.math.equal(preds, False)), 'int32'))
    return TP / (TP + FN)