Tensorflow 如何使用张量流一次计算准确度、召回率、f1分数、准确度和混淆矩阵

我曾尝试按如下方式计算这些指标，但我不确定是否所有这些指标都是一次性计算的

看起来这些指标都是通过单独运行模型计算的

注：“一次性”我指的是只测试一次模型，以计算所有这些指标

我有两个问题：

首先，我想知道我是否正确计算了所有这些指标（不管是否有一个短的），如果没有，请在这里指出我的错误

如果这些指标计算正确，那么如何在短时间内计算它们

如何解释混淆矩阵输出

示例：这是使用CNN模型的分类问题。它们试图对符号信号（0、1、2、3、4、5）进行分类。班级总数为6人

代码：

---

对于多类分类，您可以遵循以下步骤

import tensorflow as tf
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
import numpy as np
from tensorflow.keras.callbacks import Callback 
from sklearn.metrics import classification_report

(train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data()

train_images = train_images.reshape((60000, 28, 28, 1))
test_images = test_images.reshape((10000, 28, 28, 1))

train_images, test_images = train_images / 255.0, test_images / 255.0

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

class MetricsCallback(Callback):
    def __init__(self, test_data, y_true):
        self.y_true = y_true
        self.test_data = test_data

    def on_epoch_end(self, epoch, logs=None):
         y_pred = self.model.predict(self.test_data)
         y_pred = tf.argmax(y_pred,axis=1)
         report_dictionary = classification_report(self.y_true, y_pred, output_dict = True)
         print(classification_report(self.y_true,y_pred,output_dict=False)) 

metrics_callback = MetricsCallback(test_data=test_images, y_true=test_labels)

model.fit(train_images, 
            train_labels, 
            epochs=1, 
            validation_data=(test_images, test_labels), callbacks=[metrics_callback])

输出：

59904/60000 [============================>.] - ETA: 0s - loss: 0.0049 - accuracy: 0.9984    

                precision    recall  f1-score   support    
           0       1.00      1.00      1.00       980
           1       0.99      1.00      1.00      1135
           2       0.99      0.99      0.99      1032
           3       0.99      1.00      0.99      1010
           4       0.98      0.99      0.99       982
           5       0.99      0.99      0.99       892
           6       1.00      0.98      0.99       958
           7       0.99      0.99      0.99      1028
           8       0.99      0.99      0.99       974
           9       0.99      0.98      0.99      1009

    accuracy                           0.99     10000
   macro avg       0.99      0.99      0.99     10000
weighted avg       0.99      0.99      0.99     10000

对于二进制分类，您可以使用内置累加器，如下所示

model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy',tf.keras.metrics.Precision(),tf.keras.metrics.Recall()])

model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=['accuracy',tf.keras.metrics.Precision(),tf.keras.metrics.Recall()])