Python 自定义TensorFlow度量：给定假阳性率下的真阳性率

我有一个二元分类问题，背景类别（bg）=0，信号类别（sig）=1，为此我正在训练NNs。出于监控目的，我正在尝试使用TensorFlow后端在Keras中实现一个自定义度量，它执行以下操作：

1） 计算我的NN输出上的阈值，该阈值将导致X的假阳性率（将bg分类为信号）（在本例中，X=0.02，但它可以是任何值）

2） 计算此阈值下的真实阳性率

给定numpy数组y_true，y_pred，我将编写如下函数：

def eff_at_2percent_metric(y_true, y_pred):
    #Find list of bg events
    bg_list = np.argwhere(y_true < 0.5)
    #Order by the NN output
    ordered_bg_predictions = np.flip(np.sort(y_pred[bg_list]),axis=0)
    #Find the threshold with 2% false positive rate
    threshold = ordered_bg_predictions[0.02*round(len(ordered_bg_list))]

    #Find list of signal events
    sig_list = np.argwhere(y_true > 0.5)
    #Order these by NN output
    ordered_sig_predictions = np.sort(y_pred[sig_list])
    #Find true positive rate with this threshold
    sig_eff = 1 - np.searchsorted(ordered_sig_predictions,threshold)/len(ordered_sig_predictions)

    return sig_eff

def eff_at_2percent_度量（y_true，y_pred）：
#查找bg事件列表
bg_list=np.argwhere（y_true<0.5）
#按NN输出排序
有序预测=np.flip（np.sort（y_pred[bg_list]），轴=0）
#找到假阳性率为2%的阈值
阈值=有序bg预测[0.02*轮（len（有序bg列表））]
#查找信号事件列表
sig_list=np.argwhere（y_true>0.5）
#通过NN输出对其进行排序
有序的信号预测=np.sort（y\u pred[sig\u list]）
#使用此阈值查找真实阳性率
sig_eff=1-np.searchsorted（有序sig_预测，阈值）/len（有序sig_预测）
返回信号有效

---

当然，这不起作用，因为要实现自定义度量，y_true和y_pred应该是张量流张量，而不是numpy数组。有什么方法可以让这项工作正确吗？

有一个指标，我认为是等效的（特异性是1减去FPR）。

完美，这正是我想要的！现在我只需要弄清楚如何在Keras中实现tf指标。已经有一些用于此的stackoverflow线程。谢谢另外，我还发现我可以用自定义回调来做我需要的一切。