class Metrics(Callback): def __init__(self,validation_data): super().__init__() self.validation_data= validation_data def on_train_begin(self, logs={}): self.val_f1s = [] self.val_recalls = [] self.val_precisions = [] def on_epoch_end(self, epoch, validation_data,logs={}): # print("logs",logs) # print("self.validation_data[0]",validation_data[0]) val_predict = (np.asarray(self.model.predict(self.validation_data[0]))).round() val_targ = self.validation_data[1] _val_f1 = f1_score(val_targ, val_predict) _val_recall = recall_score(val_targ, val_predict) _val_precision = precision_score(val_targ, val_predict) self.val_f1s.append(_val_f1) self.val_recalls.append(_val_recall) self.val_precisions.append(_val_precision) # print(" — val_f1: % f — val_precision: % f — val_recall % f" % (_val_f1, _val_precision, _val_recall)) return

这段代码是一个自定义的 Keras Callback 类，用于在训练过程中计算模型在验证集上的 F1 分数、召回率和精确率。它包括以下几个方法：

- __init__(self, validation_data): 初始化方法，接受验证集数据(validation_data)作为参数。
- on_train_begin(self, logs={}): 在训练开始时调用，初始化验证集上的 F1 分数、召回率和精确率列表。
- on_epoch_end(self, epoch, validation_data, logs={}): 在每个 epoch 结束时调用，计算模型在验证集上的 F1 分数、召回率和精确率，并将它们添加到列表中。

在这个 Callback 类中，我们使用了 scikit-learn 库中的 f1_score、recall_score 和 precision_score 函数，这些函数可以计算分类模型的 F1 分数、召回率和精确率。在 on_epoch_end 方法中，我们将模型在验证集上的预测结果和真实标签传递给这些函数，得到 F1 分数、召回率和精确率，并将它们添加到列表中。最后，我们可以在训练过程中监控模型在验证集上的表现，以便调整模型和训练参数。