Python 在tf.估计器设置中使用tf.metrics.precision/call计算F1分数
我试图在Python 在tf.估计器设置中使用tf.metrics.precision/call计算F1分数,python,tensorflow,tensorflow-estimator,Python,Tensorflow,Tensorflow Estimator,我试图在tf.Estimator设置中计算F1分数 我见过这个,但不能从中提取出有效的解决方案 tf.Estimator的问题是它希望我提供一个值和一个更新op,所以现在,我在我的模型末尾有一段代码: if mode == tf.estimator.ModeKeys.EVAL: with tf.variable_scope('eval'): precision, precision_update_op = tf.metrics.precision(labels=label
tf.Estimator
设置中计算F1分数
我见过这个,但不能从中提取出有效的解决方案
tf.Estimator
的问题是它希望我提供一个值和一个更新op,所以现在,我在我的模型末尾有一段代码:
if mode == tf.estimator.ModeKeys.EVAL:
with tf.variable_scope('eval'):
precision, precision_update_op = tf.metrics.precision(labels=labels,
predictions=predictions['class'],
name='precision')
recall, recall_update_op = tf.metrics.recall(labels=labels,
predictions=predictions['class'],
name='recall')
f1_score, f1_update_op = tf.metrics.mean((2 * precision * recall) / (precision + recall), name='f1_score')
eval_metric_ops = {
"precision": (precision, precision_update_op),
"recall": (recall, recall_update_op),
"f1_score": (f1_score, f1_update_op)}
现在,精确性和召回率似乎很好,但在F1成绩上,我一直得到nan
我该怎么做才能让它发挥作用呢
编辑:
使用tf.contrib.metrics.f1_score
可以实现一个有效的解决方案,但是由于contrib
将在TF2.0中被弃用,我希望使用contrib
更少的解决方案1)为什么要使用tf.metrics.mean
?召回率和精度是标量值
2) 您是否尝试过打印f1\u分数
和f1\u更新操作
3) 从他们提到的
为了估计数据流上的度量值,该函数创建一个update_op来更新这些变量并返回回调。通过权重中的相应值更新每个预测的_op权重
由于您直接从处理更新的两个操作中获得F1分数,请尝试执行tf.identity(这实际上不会导致任何更改)F1值张量可以从精度和召回值计算得出。度量必须是(value,update_op)元组。我们可以通过f1的tf.identity。这对我很有用:
import tensorflow as tf
def metric_fn(labels, logits):
predictions = tf.argmax(logits, axis=-1)
pr, pr_op = tf.metrics.precision(labels, predictions)
re, re_op = tf.metrics.recall(labels, predictions)
f1 = (2 * pr * re) / (pr + re)
return {
'precision': (pr, pr_op),
'recall': (re, re_op),
'f1': (f1, tf.identity(f1))
}
我是这样做的:
def f1_score_class0(labels, predictions):
"""
To calculate f1-score for the 1st class.
"""
prec, update_op1 = tf.compat.v1.metrics.precision_at_k(labels, predictions, 1, class_id=0)
rec, update_op2 = tf.compat.v1.metrics.recall_at_k(labels, predictions, 1, class_id=0)
return {
"f1_Score_for_class0":
( 2*(prec * rec) / (prec + rec) , tf.group(update_op1, update_op2) )
}
已经有了正式的解决方案
你不能这样做,因为
评估度量操作期望得到(值,更新操作)
的元组是的,所以第一个值是你计算的f1分数,第二个操作只是身份操作?身份(f1)的含义是什么
op应该在哪里?它将张量转换为伪操作,因为tf.metrics必须返回元组(值张量,更新操作)。您确定这有效吗?根据我的理解,op用于批量计算度量,因为op在这里没有任何意义,我想知道它是否会破坏分数