Python 多标签分类：keras自定义指标

语境化
我正在研究图像的多标签分类问题。我试图预测39种标签。换言之，我试图确定39个特征中的哪一个出现在给定的图像中（在一张图像中可以找到许多特征，这就是为什么我处于多标签分类状态。
数据
我的输入数据是（X，Y）：X是形状（1814204,3），Y是形状（1814,39）。因此，基本上X是图像集，Y是与每个图像相关的标签，用于监督学习过程

型号
我正在构建一个卷积神经网络来进行预测。对于这个任务，我正在使用Keras来创建我的模型

我所做的
为了验证我的模型，我需要选择一个度量值。但是，在我的情况下，Keras中可用的度量值是不相关的，并且不会帮助我验证我的模型，因为我处于多标签分类的情况。这就是为什么我决定创建我的自定义度量值。我创建了应用于Y和Y_predi列的召回和精度度量值换言之，我将计算39个类别中每个类别的召回率和准确率。下面是我的度量标准代码：

def召回（y_true，y_pred）：
#召回度量。
真正=K.sum（K.round（K.clip（y_真*y_pred，0，1）），轴=0）
可能的正=K.sum（K.round（K.clip（y_true，0，1）），轴=0）
回忆=真阳性/（可能阳性+K.epsilon（））
召回
def精度（y_真，y_pred）：
#精度度量。
真正=K.sum（K.round（K.clip（y_真*y_pred，0，1）），轴=0）
预测正=K.sum（K.round（K.clip（y\u pred，0，1）），轴=1）
精度=真正/（预测正+K.ε（）
返回精度

我的向量Y是形状（n，39），这就是为什么我在轴=0上进行运算。换句话说，对于每个标签，我计算精度和召回率

下一步，我通过将其精确到keras fit函数来调用这两个度量。换句话说，我使用了以下代码行：

model.compile（loss='binary\u crossentropy'，optimizer=sgd，metrics=[精度，召回率]）

构建、编译和装配模型的代码：
这是我用来构建模型的代码，训练它+它的结果。（我没有把代码中我把数据分成训练和验证的部分：训练1269个样本，验证545个样本）

#型号：CNN
模型=顺序（）
add（Conv2D（32，（3，3），input_shape=（204，204，3），padding='same'，activation='relu'，kernel_constraint=maxnorm（3）））
模型。添加（辍学（0.2））
add（Conv2D（32，（3，3），activation='relu'，padding='same'，kernel_constraint=maxnorm（3）））
add（MaxPooling2D（池大小=（2,2）））
model.add（展平（））
add（密集（512，activation='relu'，kernel_constraint=maxnorm（3）））
模型。添加（辍学率（0.5））
模型.添加（密度（39））
添加（激活（'sigmoid'））
#编译模型
纪元=5
lrate=0.001
衰变=lrate/时代
sgd=sgd（lr=lrate，动量=0.9，衰变=衰变，nesterov=False）
compile（loss='binary\u crossentropy'，optimizer=sgd，metrics=[精度，召回率]）
#拟合模型
model.fit（X_序列，Y_序列，epochs=epochs，batch_size=32，validation_数据=（X_有效，Y_有效））

结果

对1269个样本进行训练，对545个样本进行验证
纪元1/5
96/1269[=>………]-预计到达时间：6:40-损失：0.6668-精度：0.1031-召回率：0.2493

议题/问题
问题1:在结果部分的日志中，有精度和召回值。我不知道为什么我得到的是真实值而不是向量值。我构建两个度量的方式应该给我一个形状数组（1,39）表示精度和（1,39）对于包含每个类的精度和召回率的召回，输出仍然只是一个数字？

---

问题2:这些由日志给出的精度和召回率值代表了对大小=批次的数据的度量计算？我如何计算一个历元的度量（作为一个信息，哪一个比一个批次的计算更有用？有些人可能会说，只计算所有批次的平均值？当然，这是我的想法，但我不知道怎么做，因为KERAS对我来说有点像一个黑匣子，我不知道“幕后”到底发生了什么，以便跟踪/修改适当的部分。）关于代码？

我认为您使用的是

tensorflow

后端。实际上，您可以通过

tf.py_func

调用

sklearn

度量来使用

sklearn.metrics

，将

python

函数扭曲为

tf

函数

对于Q1，您看到的实际值实际上是度量向量的平均值

---

对于第二季度。它应该是整个验证阶段的平均分数。

为了补充所说的内容，Keras在每个验证批次结束时计算指标，因此您的召回率和准确率会产生误导。这就是为什么它们会从Keras 2中删除。您需要创建一个Keras回调，该回调将传递整个验证阶段在每个历元结束时收集数据并计算度量（在代码中，这在回调的on_epoch_end部分内）。并且，尽管代码可能稍微过时。其中，他们使用on_epoch_end方法附加许多度量

关于向量作为浮点返回的问题

返回：表示输出数组平均值的单个张量值 跨越所有数据点

我假设这样做是为了方便和简单，因为绝大多数指标都需要平均结果向量，但这可能是Keras团队修改的结果。

对于第一季度，为什么是Ker