Python 向Tensorflow中Tensorboard的混淆矩阵添加文本标签

我正在自定义Tensorflow示例中的代码，通过添加额外的密集层、辍学、动量梯度下降等，在我自己的图像上进行训练

我想在Tensorboard中添加一个混淆矩阵，所以我遵循了post中的第一个答案（Jerod的）（我也尝试了第二个答案，但面临一些调试问题），并在

add\u evaluation\u step

函数中添加了几行。所以现在看起来像：

def add_evaluation_step(result_tensor, ground_truth_tensor):

  with tf.name_scope('accuracy'):
    with tf.name_scope('correct_prediction'):
      prediction = tf.argmax(result_tensor, 1)
      correct_prediction = tf.equal(
          prediction, tf.argmax(ground_truth_tensor, 1))
    with tf.name_scope('accuracy'):
      evaluation_step = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
  tf.summary.scalar('accuracy', evaluation_step)
  print('prediction shape :: {}'.format(ground_truth_tensor))

  #Add confusion matrix
  batch_confusion = tf.confusion_matrix(tf.argmax(ground_truth_tensor, 1), prediction,
                                             num_classes=7,
                                             name='batch_confusion')
  # Create an accumulator variable to hold the counts
  confusion = tf.Variable( tf.zeros([7,7], 
                                          dtype=tf.int32 ),
                                 name='confusion' )
  # Create the update op for doing a "+=" accumulation on the batch
  confusion_update = confusion.assign( confusion + batch_confusion )
  # Cast counts to float so tf.summary.image renormalizes to [0,255]
  confusion_image = tf.reshape( tf.cast( confusion_update, tf.float32),
                                 [1, 7, 7, 1])

  tf.summary.image('confusion',confusion_image)

  return evaluation_step, prediction

这给了我：

我的问题是如何将标签添加到行（实际类）和列（预测类）中。要获得类似于：

Jerod的几乎包含了您需要的所有内容，例如yauheni_selivonchyk的另一篇关于如何将自定义图像添加到Tensorboard的文章

然后，这只是一个将所有内容组合在一起的问题，即：

实现将打印图像传递到摘要的方法（作为RGB阵列）

实现了一种将矩阵数据转换为经过修饰的混淆图像的方法

定义正在运行的评估操作以获取混淆矩阵数据（以及其他指标），并准备占位符和摘要以接收打印图像

一起使用一切

---

1.实现将打印图像传递到摘要的方法

导入matplotlib
将matplotlib.pyplot作为plt导入
作为pd进口熊猫
导入seaborn作为sns
将numpy作为np导入
导入tensorflow作为tf
#灵感来源于yauheni_selivonchyk等(https://stackoverflow.com/a/42815564/624547)
def get_图（figsize=（10,10），dpi=300）：
"""
返回pyplot图形
：param figsize:
：参数dpi:
：返回：
"""
图=plt.图（num=0，figsize=figsize，dpi=dpi）
图clf（）
返回图
def fig_至_rgb_阵列（图，展开=真）：
"""
将图形转换为RGB阵列
：参数图：PyPlot图
：param expand：要展开的标志
：return:RGB数组
"""
图canvas.draw（）
buf=图canvas.tostring_rgb（）
ncols，nrows=fig.canvas.get\u width\u height（）
形状=（nrows，ncols，3）如果不展开else（1，nrows，ncols，3）
返回np.fromstring（buf，dtype=np.uint8）。重塑（形状）
def图到图摘要（图、摘要、位置支架）：
"""
将数字转换为TF摘要
：参数图：图
：参数摘要：要评估的摘要
：param place_holder:摘要图像占位符
：返回：摘要
"""
图像=图到图rgb图阵列（图）
返回summary.eval（feed_dict={place_holder:image}）

2.将矩阵数据转换为经过修饰的混淆图像 （这里有一个例子，但这取决于你想要什么）

def混淆矩阵到图像摘要（混淆矩阵、摘要、放置架、，
列出_类，figsize=（9,9））：
"""
绘制混淆矩阵并作为TF摘要返回
：参数矩阵：混淆矩阵（N x N）
：param filename:filename
：参数列表\类：类列表（N）
：param figsize:Pyplot figsize用于混淆图像
：返回：/
"""
图=获取图（图大小=（9,9））
df=pd.DataFrame（混乱矩阵，索引=列表类，列=列表类）
ax=sns.heatmap（df，annot=True，fmt='.0%'））
#无论你想要什么样的装饰：
产品名称（“混淆矩阵”）
plt.xticks（旋转=90）
plt.yticks（旋转=0）
图像汇总=图汇总（图、汇总、位置保持架）
返回图像和

3.定义评估操作并准备占位符

#受Jerod对SO的回答启发(https://stackoverflow.com/a/42857070/624547)    
def add_evaluation_step（结果张量、基础真值张量、数量类、混淆矩阵figsize=（9,9））：
"""
设置评估操作，计算运行精度和混乱图像
：param result_tensor：输出张量
：param ground\u truth\u张量：目标类张量
：param num_classes：类数
：param confusion_matrix_figsize：混乱图像的Pyplot figsize
：return:TF操作、摘要和占位符（参见下面的用法）
"""
scope=“评估”
使用tf.name\u范围（范围）：
预测=tf.argmax（结果张量，1，name=“预测”）
#流精度（查找和更新张量）：
准确度，准确度\u更新=tf.metrics.accurity（地面真理张量，预测，name='accurity'）
#每批混淆矩阵：
批次混淆=tf.混淆矩阵（基本真值张量，预测，num类=num类，
name='batch\u-mission'）
#综合混淆矩阵：
混淆矩阵=tf.Variable（tf.zero（[num\u classes，num\u classes]，dtype=tf.int32），
姓名（混淆）
混乱更新=混乱矩阵。分配（混乱矩阵+批量混乱）
#我们假设每个批次都包含一个完整的类，通过其大小直接进行规范化：
评估\u流\u度量\u op=tf.group（准确度\u更新、混乱度\u更新）
#矩阵中的混乱图像（需要将dims+cast扩展为浮点，以便tf.summary.image重新规范化为[0255]：
confusion\u image=tf.reformate（tf.cast（confusion\u update，tf.float32），[1，num\u类，num\u类，1]）
#摘要：
tf.summary.scalar（'accurity'，accurity，collections=[scope]）
summary\u op=tf.summary.merge\u all（范围）
#准备混乱图像的占位符（以便我们可以将打印的图像传递给它）：
#（我们基本上预先分配一个绘图图形，并将其RGB数组传递给占位符）
混乱\u图像\u占位符=tf.placeholder（tf.uint8，
图到rgb图阵列（获取图（figsize=混淆矩阵figsize））.shape）
模糊图像
from textwrap import wrap
import itertools
import matplotlib
import tfplot
import os
import re

def plot_confusion_matrix(correct_labels, predict_labels,labels,session, title='Confusion matrix', tensor_name = 'MyFigure/image', normalize=False):
  conf = tf.contrib.metrics.confusion_matrix(correct_labels, predict_labels)

  cm=session.run(conf)

  if normalize:
    cm = cm.astype('float')*10 / cm.sum(axis=1)[:, np.newaxis]
    cm = np.nan_to_num(cm, copy=True)
    cm = cm.astype('int')

  np.set_printoptions(precision=2)

  fig = matplotlib.figure.Figure(figsize=(7, 7), dpi=320, facecolor='w', edgecolor='k')
  ax = fig.add_subplot(1, 1, 1)
  im = ax.imshow(cm, cmap='Oranges')

  classes = [re.sub(r'([a-z](?=[A-Z])|[A-Z](?=[A-Z][a-z]))', r'\1 ', x) for x in labels]
  classes = ['\n'.join(wrap(l, 40)) for l in classes]

  tick_marks = np.arange(len(classes))

  ax.set_xlabel('Predicted', fontsize=7)
  ax.set_xticks(tick_marks)
  c = ax.set_xticklabels(classes, fontsize=10, rotation=-90,  ha='center')
  ax.xaxis.set_label_position('bottom')
  ax.xaxis.tick_bottom()

  ax.set_ylabel('True Label', fontsize=7)
  ax.set_yticks(tick_marks)
  ax.set_yticklabels(classes, fontsize=10, va ='center')
  ax.yaxis.set_label_position('left')
  ax.yaxis.tick_left()

  for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
    ax.text(j, i, format(cm[i, j], 'd') if cm[i,j]!=0 else '.', horizontalalignment="center", fontsize=6, verticalalignment='center', color= "black")

  fig.set_tight_layout(True)
  summary = tfplot.figure.to_summary(fig, tag=tensor_name)
  return summary