Tensorflow keras中用于召回的自定义宏

我正在尝试为

recall=（类的召回+类的召回）/2

创建一个自定义宏。我提出了以下代码，但我不确定如何计算类0的真正数

def unweightedRecall（）：
def召回（y_真，y_pred）：
#召回第1类
真正1=K.sum（K.round（K.clip（y_pred*y_真，0，1）））
可能的正1=K.sum（K.round（K.clip（y\u true，0，1）））
recall1=真阳性1/（可能阳性1+K.ε（）
#---在这里获得0类的真正数---
#还有，有没有更干净的方法来获取可能的积极信息0
可能的正0=K.int\u形状（y\u真）[0]-可能的正1
recall0=真阳性0/（可能阳性0+K.ε（）
返回（重新调用0+重新调用1）/2
召回

似乎我必须使用

Keras.backend.equal（x，y）

，但是如何用shape

K.int\u shape（y\u true）[0]

和所有值创建一个张量，比如x

---

编辑1

基于Marcin的评论，我想基于keras中的回调创建一个自定义度量。同时，我遇到了f1公制的以下代码：

类度量（keras.callbacks.Callback）：
_epoch_end上的def（self、batch、logs={}）：
predict=np.asarray（self.model.predict（self.validation_data[0]））
targ=自我验证\u数据[1]
self.f1s=f1（目标，预测）
返回
度量=度量（）
模型拟合（X_序列，y_序列，历代=历代，批量大小=批量大小，验证数据=[X_测试，y_测试]，
verbose=1，回调=[metrics]）

但是回调如何返回准确度呢？我想实现

unweightedrecall=（recall class1+recall class2）/2

。我可以想到下面的代码，但如果您能帮我完成，我将不胜感激

从sklearn.metrics导入召回分数
类度量（keras.callbacks.Callback）：
_epoch_end上的def（self、batch、logs={}）：
predict=np.asarray（self.model.predict（self.validation_data[0]））
targ=自我验证\u数据[1]
#---将结果存储在什么中---
self.XXXX=回忆分数（目标、预测、平均值=”宏观“）
#我们真的不需要归还任何东西？？
返回
度量=度量（）
模型拟合（X_序列，y_序列，历代=历代，批量大小=批量大小，验证数据=[X_测试，y_测试]，
verbose=1，回调=[metrics]）

---

编辑2：模型：

def createModelHelper（numNeurons=40，optimizer='adam'）：
inputLayer=Input（shape=（data.shape[1]，））
denseLayer1=密集（numneuron）（输入层）
outputLayer=denseLayer1（1，激活='sigmoid'）（denseLayer1）
模型=模型（输入=输入层，输出=输出层）
compile（loss=unweightedRecall，optimizer=optimizer）
回归模型

keras版本（存在平均值问题）

您的两个类实际上是否只有一个维度输出（0或1）

如果是：

def recall(y_true, y_pred):
    # recall of class 1

    #do not use "round" here if you're going to use this as a loss function
    true_positives = K.sum(K.round(y_pred) * y_true)
    possible_positives = K.sum(y_true)
    return true_positives / (possible_positives + K.epsilon())


def unweightedRecall(y_true, y_pred):
    return (recall(y_true,y_pred) + recall(1-y_true,1-y_pred))/2.

---

现在，如果您的两个类实际上是一个2元素输出：

def unweightedRecall(y_true, y_pred):
    return (recall(y_true[:,0],y_pred[:,0]) + recall(y_true[:,1],y_pred[:,1]))/2.

---

回调版本：

对于回调，您可以使用

LambdaCallback

，手动打印或存储结果：

myCallBack = LambdaCallback(on_epoch_end=unweightedRecall)
stored_metrics = []

def unweightedRecall(epoch,logs):
    predict = model.predict(self.validation_data[0])
    targ = self.validation_data[1]

    result = (recall(targ,predict) + recall(1-targ,1-predict))/2. 
    print("recall for epoch " + str(epoch) + ": " + str(result))
    stored_metrics.append(result)

---

其中，

recall

是一个使用

np

而不是

K

的函数。和

epsilon=np.finfo（float）.eps

或

epsilon=np.finfo（np.float32.eps）

使用

keras.metrics

和

keras.loss

API计算

精度和
召回率时存在问题。记住-损失或度量的最终值是每个批次的平均值-但对于
精度`和

召回，批次的平均值不等于最终度量值。我建议您使用

keras.callbacks

来计算适当的值。感谢您提供的信息！非常感谢（自定义）回调的任何指针！如果很容易实现（recall class1+recall class2）/2的回调，我将非常感谢您的回答：）非常感谢您的回答！！如何将回调版本用于model.compile中的

度量

参数？我仍然不确定

metrics

参数如何将结果与度量相关联。回调将不是度量，这就是我们创建

存储的度量列表的原因。在backprop阶段，我想使用“未加权调用”来更新权重。如何使用回调函数实现这一点？根据我的理解，我可以使用第一种方法来实现这一点，方法是更新
度量
以使用
unweightedRecall
。您必须使用“丢失”功能
loss=unweightedRecall
——但这只适用于keras函数，而不适用于回调版本。你会遇到Marcin提到的问题。但这似乎不是一个相关的问题。毕竟，几乎所有的应用程序都是分批处理的。谢谢您的更正！这真的很有帮助：）