计算TensorFlow中多个类的平均和类精度/召回率

我有一个4类的多类模型。我已经实现了一个回调，可以计算每个类的精度/召回率及其宏平均值。但是由于某些技术原因，我必须使用度量机制来计算它们

我使用的是TensorFlow 2和Keras 2.3.0。我已经使用了

tensorflow.keras.metrics.Recall/Precision

来获取类度量：

metrics\u list=['accurity']
metrics_list.extend（[Recall（class_id=i，name=“Recall{}.format（label_names[i]））用于范围内的i（n_类别）]）
度量值列表.extend（[Precision（class_id=i，name=“Precision_{}.format（label_names[i]））用于范围内的i（n_类别）]）
模型=模型（…）
compile（…metrics=metrics\u list）

但是，该解决方案并不令人满意：

首先，

tensorflow.keras.metrics.Recall/Precision

使用阈值来定义与类别的关联，而如果定义了

class\u id

，则应使用

argmax

来定义最可能的类别

其次，我必须创建两个新的度量来计算所有类的平均值，这本身就需要计算类度量。这是不雅观和低效的计算两倍相同的事情

有没有办法创建一个类或函数，使用TensorFlow/Keras度量逻辑直接计算类和平均预测/召回率

显然，我可以使用

tf.math.conflusion\u matrix（）

轻松获得混淆矩阵。但是，我不知道如何一次注入标量列表，而不是返回单个标量

---

欢迎任何评论

在我非常具体的情况下，我可以简单地使用

categoricalaccurcy（）

作为唯一度量，因为我使用的是

batch\u size=1

。在这种情况下，

accurity=recall=precision={1.|0.}

用于批处理。这只能部分解决问题。最好的解决方案是在每个批次结束时使用

argmax

更新混淆矩阵，然后在此基础上计算精度/召回率。我不知道怎么可能做到这一点，但它应该是可行的

克服第一个限制（与

tensorflow.keras.metrics.Recall/Precision

的阈值相关）的一种可能性是将输出概率向量转换为1-hot向量。例如，CNN可以发布2个输出，概率向量和1-热向量。显然，1-hot编码将基于

argmax

。更清楚一点，在仔细阅读文档之后，TF对向量的每个元素应用阈值。例如，如果输出向量为

[0.54,0.56,0.58]

，阈值为0.5，则将其评估为

[1,1,1]

，并与1-热向量

[1,0,0]

进行比较。在使用

class\u id

选项时，这对我来说是一个问题，因为类0的输出值将为正值。在我的例子中，我需要将输出向量计算为

[0,0,1]