keras.models中metrics_updates

在Keras中，metrics_updates是一个字典，用于指定每个指标（metrics）的更新方式。指标是用于评估模型性能的函数，例如准确率（accuracy）、损失（loss）、精度（precision）等。在训练过程中，每个指标都需要进行更新，以反映当前模型的性能。

metrics_updates的键是指标名称，值是一个函数，用于计算指标的更新值。函数的参数包括当前的指标值（metric_value）、当前的批次大小（batch_size）和总样本数（count）。例如，下面的代码定义了一个metrics_updates字典，用于更新训练过程中的准确率和损失：

from keras import backend as K
from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(10, input_shape=(5,), activation='relu'))
model.add(Dense(1, activation='sigmoid'))

metrics_updates = {
    'accuracy': lambda metric_value, batch_size, count: metric_value * (count-batch_size) / count + \
                                                        K.mean(K.equal(model.output > 0.5, model.targets)),
    'loss': lambda metric_value, batch_size, count: metric_value * (count-batch_size) / count + \
                                                    K.mean(K.binary_crossentropy(model.targets, model.output))
}

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

在上面的例子中，metrics_updates字典包含两个键：accuracy和loss。对于accuracy指标，更新函数使用了加权平均的方法，以平滑地更新指标值。对于loss指标，更新函数使用了平均损失的方法。这些更新函数都使用了Keras的后端（backend）函数，以确保能够在不同的计算图（graph）中运行。

在训练模型时，Keras将自动调用每个指标的更新函数，并在每个批次结束后更新指标值。这些指标值可以通过model.history属性获得，例如：

history = model.fit(x_train, y_train, validation_data=(x_val, y_val), epochs=10, batch_size=32)
print(history.history['accuracy'])
print(history.history['loss'])