Python 带有自定义估计器的Tensorflow度量

我最近重构了一个卷积神经网络，使用Tensorflow的估计器API，主要如下。但是，在培训期间，我添加到Estimator Spec中的度量没有显示在Tensorboard上，并且似乎没有在tfdbg中进行评估，尽管名称范围和度量存在于写入Tensorboard的图形中

型号fn的相关位如下所示：

 ...

 predictions = tf.placeholder(tf.float32, [num_classes], name="predictions")

 ...

 with tf.name_scope("metrics"):
    predictions_rounded = tf.round(predictions)
    accuracy = tf.metrics.accuracy(input_y, predictions_rounded, name='accuracy')
    precision = tf.metrics.precision(input_y, predictions_rounded, name='precision')
    recall = tf.metrics.recall(input_y, predictions_rounded, name='recall')

if mode == tf.estimator.ModeKeys.PREDICT:
    spec = tf.estimator.EstimatorSpec(mode=mode,
                                      predictions=predictions)
elif mode == tf.estimator.ModeKeys.TRAIN:

    ...

    # if we're doing softmax vs sigmoid, we have different metrics
    if cross_entropy == CrossEntropyType.SOFTMAX:
        metrics = {
            'accuracy': accuracy,
            'precision': precision,
            'recall': recall
        }
    elif cross_entropy == CrossEntropyType.SIGMOID:
        metrics = {
            'precision': precision,
            'recall': recall
        }
    else:
        raise NotImplementedError("Unrecognized cross entropy function: {}\t Available types are: SOFTMAX, SIGMOID".format(cross_entropy))
    spec = tf.estimator.EstimatorSpec(mode=mode,
                                      loss=loss,
                                      train_op=train_op,
                                      eval_metric_ops=metrics)
else:
    raise NotImplementedError('ModeKey provided is not supported: {}'.format(mode))

return spec

有人有没有想过为什么这些没有被写下来？我使用的是Tensorflow 1.7和Python 3.5。我曾尝试通过
tf.summary.scalar
显式添加它们，虽然它们确实以这种方式进入了Tensorboard，但在第一次通过图形之后，它们永远不会更新
 metrics API有一个转折点，让我们以
tf.metrics.accurity
为例（所有
tf.metrics.*
的工作原理都是一样的）。这将返回两个值，
精度
度量和一个
upate_op
，这似乎是您的第一个错误。你应该有这样的东西：

accuracy, update_op = tf.metrics.accuracy(input_y, predictions_rounded, name='accuracy')

accurity
只是您希望计算的值，但是请注意，您可能希望跨多个调用
sess.run
计算精度，例如，当您计算不完全适合内存的大型测试集的精度时。这就是
update\u op
的作用，它会累积结果，这样当你要求
准确性时，它会给你一个连续的计数

update\u op
没有依赖项，因此您需要在
sess.run中显式运行它，或者添加依赖项。例如，您可以将其设置为依赖于成本函数，以便在计算成本函数时计算
update_op
（导致更新精度的运行计数）：

可以使用局部变量初始值设定项重置度量值：

sess.run(tf.local_variables_initializer())

您将需要使用
tf.summary.scalar（精度）
为tensorboard添加精度，正如您所提到的，您已经尝试过（尽管看起来您添加了错误的内容）。
啊。。。。在每一个教程中，他们要么使用一个固定的估计器，要么按照我在那里写的那样做，不再提及。使用tf.summary.scalar手动执行--我知道元组的事情，但我很高兴您为子孙后代提到了它--并且控制依赖项工作正常，非常感谢！
sess.run(tf.local_variables_initializer())