Python 在tf.估计器设置中使用tf.metrics.precision/call计算F1分数

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=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