如何正确使用Tensorflow中的tf.metrics.mean_iou在Tensorboard上显示混淆矩阵?
我在DeeplabV3+的Tensorflow官方实现中发现评估脚本使用tf.metrics.mean_iou更新平均iou,并将其添加到Tensorboard中记录 实际上,tf.metrics.mean_iou返回2个张量,一个是计算平均iou,另一个是操作日期,根据官方文件,是混淆矩阵。似乎每次如果你想得到计算过的平均借条,你必须先调用更新操作 我试图将此更新作为张量添加到摘要中,但它不起作用。我的问题是如何将这个混淆矩阵添加到张力板中 我看到了一些关于如何计算混淆矩阵并将其添加到Tensorboard的其他线程,以及额外的操作。我只是想知道,如果没有这些额外的操作,是否可以做到这一点如何正确使用Tensorflow中的tf.metrics.mean_iou在Tensorboard上显示混淆矩阵?,tensorflow,tensorboard,deeplab,Tensorflow,Tensorboard,Deeplab,我在DeeplabV3+的Tensorflow官方实现中发现评估脚本使用tf.metrics.mean_iou更新平均iou,并将其添加到Tensorboard中记录 实际上,tf.metrics.mean_iou返回2个张量,一个是计算平均iou,另一个是操作日期,根据官方文件,是混淆矩阵。似乎每次如果你想得到计算过的平均借条,你必须先调用更新操作 我试图将此更新作为张量添加到摘要中,但它不起作用。我的问题是如何将这个混淆矩阵添加到张力板中 我看到了一些关于如何计算混淆矩阵并将其添加到Tens
任何帮助都将不胜感激。我将在这里发布我的答案,因为有人对此进行了投票 假设您以以下方式定义了mean_iou op: miou,update_op=tf.metrics.mean_iou 预测、标签、dataset.num\u(共类),权重=权重 tf.summary.scalarpredictions_标记,miou 如果您在Tensorboard中看到图形,您将发现有一个名为“mean_iou”的节点,扩展此节点后,您将发现有一个名为“total_confucion_matrix”的op。这是计算每个类的查全率和查准率所需要的 获取节点名称后,可以通过tf.summary.text将其添加到tensorboard中,或通过tf.print函数在终端中打印。下面是一个例子:
miou, update_op = tf.metrics.mean_iou(
predictions, labels, dataset.num_of_classes, weights=weights)
tf.summary.scalar(predictions_tag, miou)
# Get the correct tensor name of confusion matrix, different graphs may vary
confusion_matrix = tf.get_default_graph().get_tensor_by_name('mean_iou/total_confusion_matrix:0')
# Calculate precision and recall matrix
precision = confusion_matrix / tf.reshape(tf.reduce_sum(confusion_matrix, 1), [-1, 1])
recall = confusion_matrix / tf.reshape(tf.reduce_sum(confusion_matrix, 0), [-1, 1])
# Print precision, recall and miou in terminal
precision_op = tf.print("Precision:\n", precision,
output_stream=sys.stdout)
recall_op = tf.print("Recall:\n", recall,
output_stream=sys.stdout)
miou_op = tf.print("Miou:\n", miou,
output_stream=sys.stdout)
# Add precision and recall matrix in Tensorboard
tf.summary.text('recall_matrix', tf.dtypes.as_string(recall, precision=4))
tf.summary.text('precision_matrix', tf.dtypes.as_string(precision, precision=4))
# Create summary hooks
summary_op = tf.summary.merge_all()
summary_hook = tf.contrib.training.SummaryAtEndHook(
log_dir=FLAGS.eval_logdir, summary_op=summary_op)
precision_op_hook = tf.train.FinalOpsHook(precision_op)
recall_op_hook = tf.train.FinalOpsHook(recall_op)
miou_op_hook = tf.train.FinalOpsHook(miou_op)
hooks = [summary_hook, precision_op_hook, recall_op_hook, miou_op_hook]
num_eval_iters = None
if FLAGS.max_number_of_evaluations > 0:
num_eval_iters = FLAGS.max_number_of_evaluations
if FLAGS.quantize_delay_step >= 0:
tf.contrib.quantize.create_eval_graph()
tf.contrib.training.evaluate_repeatedly(
master=FLAGS.master,
checkpoint_dir=FLAGS.checkpoint_dir,
eval_ops=[update_op],
max_number_of_evaluations=num_eval_iters,
hooks=hooks,
eval_interval_secs=FLAGS.eval_interval_secs)
然后,您将在Tensorboard中总结精度和召回矩阵: