tensorflow中的自定义f1_分数度量

我想为tf.keras实现f1_分数指标

from tensorflow.keras.models import Model, Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.losses import binary_crossentropy
from tensorflow.keras.metrics import Accuracy, BinaryAccuracy
from sklearn.metrics import accuracy_score
import numpy as np
import tensorflow as tf

class F1_Score(tf.keras.metrics.Metric):

    def __init__(self, name='f1_score', **kwargs):
        super().__init__(name=name, **kwargs)
        self.f1 = self.add_weight(name='f1', initializer='zeros')

    def update_state(self, y_true, y_pred, sample_weight=None):
        p = Precision(thresholds=0.5)(y_true, y_pred)
        r = Recall(thresholds=0.5)(y_true, y_pred)
        self.f1 = 2 * ((p * r) / (p + r + 1e-6))

    def result(self):
        return self.f1

    def reset_states(self):
        self.f1.assign(0)
        
model = Sequential([
  Dense(64, activation='relu', input_shape=(784,)),
  Dense(64, activation='relu'),
  Dense(4, activation='sigmoid'),
])
x = np.random.normal(size=(10, 784))
y = np.random.choice(2, size=(10, 4))
model.compile(optimizer=Adam(0.001), loss='binary_crossentropy',
                  metrics=['accuracy', , F1_Score()])
model.fit(x[:1], y[:1], batch_size=1, epochs=1, verbose=1)

我有一个错误：

ValueError:tf.function-decorated函数试图创建变量 非首次通话

---

出现此错误是因为您希望在update_state函数期间实例化一些

tf.Variable

s。当从类Precision和Recall实例化对象时，您正在创建一些

tf.Variable

s

实例化构造函数中的对象，并在update_state函数中调用它们：

F1级分数（tf.keras.metrics.Metric）：
定义初始值（self，name='f1\u score'，**kwargs）：
super（）
self.f1=self.add_weight（name='f1'，initializer='zeros'）
self.precision\u fn=精度（阈值=0.5）
自我回忆\u fn=回忆（阈值=0.5）
def更新状态（自身、y_真、y_pred、样本重量=无）：
p=自精度fn（y\u真，y\u pred）
r=自我回忆（y_真，y_前）
#因为f1是一个变量，所以我们使用赋值
自我分配（2*（（p*r）/（p+r+1e-6）））
def结果（自我）：
返回self.f1
def复位_状态（自身）：
#我们还需要重置精度和召回对象的状态
自精度重置状态（）
自我回忆(fn)复位(states)
self.f1.assign（0）

---

行为说明：

Tensorflow仅允许在第一次调用

tf.函数时创建变量，请参见：

函数仅允许在第一次调用时创建新的tf.Variable对象

Keras度量被包装在tf.function中，以允许与tensorflow v1兼容。您可以在

如果
update\u state
不在eager/tf.function中且不是来自
内置公制，将其包装在
tf.function
中。这是为了方便用户编写
v1中的自定义指标不需要担心控件依赖关系和
返回操作

您的类中还有另一个错误，即您重写了您在计算f1分数时创建的
f1 tf.Variable
。要更新变量的值，需要使用
assign
。我们一定不要忘记重置使用中的精度和召回度量对象的状态
 您可以使用
tensorflow插件
，它有一个用于F1分数的内置方法。（别忘了
pip安装tensorflow插件
）

看看下面：

  model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.00001),
                  loss=tf.keras.losses.CategoricalCrossentropy(),
                  metrics=[tf.keras.metrics.CategoricalAccuracy(),
                           tfa.metrics.F1Score(num_classes=n_classes, average='macro'),
                           tfa.metrics.FBetaScore(beta=2.0, num_classes=n_classes, average='macro')])

如果确实存在多标签分类问题，可以将其更改为：

  model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.00001),
                      loss=tf.keras.losses.BinaryCrossentropy(),
                      metrics=[tf.keras.metrics.BinaryAccuracy(),
                               tfa.metrics.F1Score(num_classes=1, average='macro',threshold=0.5),
                               tfa.metrics.FBetaScore(beta=2.0, num_classes=1, average='macro',threshold=0.5)])

这是我对Tensorflow 2.0的代码评分f1：

class F1Score(tf.keras.metrics.Metric):
  def __init__(self, name='F1Score', **kwargs):
    super(F1Score, self).__init__(name=name, **kwargs)
    self.f1score = self.add_weight(name='F1Score', initializer='zeros')
    self.count = self.add_weight(name='F1ScoreCount', initializer='zeros')

  def update_state(self, y_true, y_pred, sample_weight=None):
    y_true = tf.cast(y_true, tf.bool)
    y_pred = tf.cast(y_pred, tf.bool)

    true_positives = tf.logical_and(tf.equal(y_true, True), tf.equal(y_pred, True))
    true_positives = tf.cast(true_positives, self.dtype)
    count_true_positives = tf.reduce_sum(true_positives)

    possible_positives = tf.cast(y_true, self.dtype)
    count_possible_positives = tf.reduce_sum(possible_positives)

    predicted_positives = tf.cast(y_pred, self.dtype)
    count_predicted_positives = tf.reduce_sum(predicted_positives)

    precision = count_true_positives / (count_predicted_positives + K.epsilon())
    recall = count_true_positives / (count_possible_positives + K.epsilon())
    f1_cal = 2*(precision*recall)/(precision + recall + K.epsilon())

    self.count.assign_add(1)
    a = 1.0 / self.count
    b = 1.0 - a
    self.f1score.assign(a*f1_cal+b*self.f1score)

  def result(self):
    return self.f1score

顺便说一句，您是否尝试过使用内置指标来了解它们的工作原理？这些指标适用于二进制/多类/多标签分类。tfa.metrics.F1Score

和

FBetaScore

之间的区别是什么？F1分数是FBetaScore的一种特殊情况，其中Beta==1。谢谢，你能看一下这个问题吗？我得到一个错误

AttributeError:'Tensor'对象在reset_states（）中没有属性'assign

！！我还使用了

tf.compat.v1.assign

，得到了相同的结果error@BetterEnglish查看我的更新。我在你的代码中遗漏了一些错误。欢迎使用SO！请阅读，然后