metrics自定义指标 简书

自定义指标可以让我们更好地了解模型的表现，例如在分类任务中，我们可以定义 F1-score 作为自定义指标来衡量模型的性能。在 TensorFlow 中，我们可以通过继承 `tf.keras.metrics.Metric` 类来定义自己的指标函数。下面是一个简单的例子，展示如何定义一个计算准确率和 F1-score 的自定义指标。

import tensorflow as tf
from sklearn.metrics import f1_score

class F1Score(tf.keras.metrics.Metric):
    def __init__(self, name='f1_score', **kwargs):
        super().__init__(name=name, **kwargs)
        self.f1 = self.add_weight(name='f1', initializer='zeros')
        self.total = self.add_weight(name='total', initializer='zeros')
        
    def update_state(self, y_true, y_pred, sample_weight=None):
        y_true = tf.cast(tf.argmax(y_true, axis=1), tf.float32)
        y_pred = tf.cast(tf.argmax(y_pred, axis=1), tf.float32)
        score = f1_score(y_true.numpy(), y_pred.numpy(), average='macro')
        self.f1.assign_add(score)
        self.total.assign_add(1.)
        
    def result(self):
        return self.f1 / self.total

在上面的代码中，我们继承了 `tf.keras.metrics.Metric` 类，并实现了 `__init__`、`update_state` 和 `result` 方法。在 `__init__` 方法中，我们定义了计算 F1-score 所需要的变量，即 `f1` 和 `total`。在 `update_state` 方法中，我们计算了 F1-score，并将其累加到 `f1` 变量中。最后，在 `result` 方法中，我们返回了计算出来的 F1-score。在模型训练过程中，我们可以使用这个自定义指标来评估模型的性能。

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=[F1Score()])
model.fit(x_train, y_train, epochs=10, validation_data=(x_val, y_val))