TensorFlow内置常用指标：
AUC()Precision()Recall()- 等等
有些时候我们的指标不止这些，需要根据我们自己特定的任务指定自己的评估指标，这时就需要自定义Metric，需要子类化Metric，也就是继承keras.metrics.Metric，然后实现它的方法：
__init__：这个方法是用来初始化一些变量的update_state：参数有真实值、预测值，采样权重，我们需要在这个方法内进行更新状态变量result：使用状态变量计算最终的评估结果reset_states：重新初始化状态变量
下方实现的评估指标是计算有多少个正类被评估正确，就是预测对了多少样本
完整代码：
""" * Created with PyCharm * 作者: 阿光 * 日期: 2022/1/2 * 时间: 18:32 * 描述: """ import tensorflow as tf import tensorflow.keras.datasets.mnist from keras import Input, Model from keras.layers import Dense from tensorflow import keras (train_images, train_labels), (val_images, val_labels) = tensorflow.keras.datasets.mnist.load_data() train_images, val_images = train_images / 255.0, val_images / 255.0 train_images = train_images.reshape(60000, 784) val_images = val_images.reshape(10000, 784) class CategoricalTruePositives(keras.metrics.Metric): def __init__(self, name="categorical_true_positives"): super(CategoricalTruePositives, self).__init__(name=name) self.true_positives = self.add_weight(name='ctp', initializer='zeros') def update_state(self, y_true, y_pred, sample_weight=None): y_pred = tf.reshape(tf.argmax(y_pred, axis=1), shape=(-1, 1)) values = tf.cast(y_true, 'int32') == tf.cast(y_pred, 'int32') values = tf.cast(values, 'float32') self.true_positives.assign_add(tf.reduce_sum(values)) def result(self): return self.true_positives def reset_states(self): self.true_positives.assign(0.0) def get_model(): inputs = Input(shape=(784,)) outputs = Dense(10, activation='softmax')(inputs) model = Model(inputs, outputs) model.compile( optimizer=keras.optimizers.RMSprop(learning_rate=1e-3), loss=keras.losses.SparseCategoricalCrossentropy(), metrics=[CategoricalTruePositives()] ) return model model = get_model() model.fit( train_images, train_labels, epochs=5, batch_size=32, validation_data=(val_images, val_labels) )
