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)
)
