首页 文章

为什么在Keras度量函数中使用axis = -1？

提问于
浏览 次
4

keras版本：2.0.8

在某些Keras度量函数和损失函数中，使用axis = -1作为参数 .

例如：

def binary_accuracy(y_true, y_pred):
    return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)

就我而言：

形状y_true：（4,256,256,2）

形状y_pred：（4,256,256,2）

因此，binary_accuracy（y_true，y_pred）应该返回一个shape =（4,256,256）而不是标量张量的张量 .

但是当使用binary_accuracy作为度量函数时：

model.compile(optimizer=adam, loss=keras.losses.binary_crossentropy, metrics=[binary_accuracy])

日志仍然将binary_accuracy打印为标量，这让我很困惑 .

keras是否对binary_accuracy函数的返回做了一些特殊处理？

Epoch 11/300 0s - 损失：0.4158 - binary_accuracy：0.9308 - val_loss：0.4671 - val_binary_accuracy：0.7767

tensorflow deep-learning keras

1 回答

  • 1

    这里's what you'正在寻找，在training.py内：

    def weighted(y_true, y_pred, weights, mask=None):
    """Wrapper function.
    # Arguments
        y_true: `y_true` argument of `fn`.
        y_pred: `y_pred` argument of `fn`.
        weights: Weights tensor.
        mask: Mask tensor.
    # Returns
        Scalar tensor.
    """
    # score_array has ndim >= 2
    score_array = fn(y_true, y_pred)
    if mask is not None:
        # Cast the mask to floatX to avoid float64 upcasting in theano
        mask = K.cast(mask, K.floatx())
        # mask should have the same shape as score_array
        score_array *= mask
        #  the loss per batch should be proportional
        #  to the number of unmasked samples.
        score_array /= K.mean(mask)

    # apply sample weighting
    if weights is not None:
        # reduce score_array to same ndim as weight array
        ndim = K.ndim(score_array)
        weight_ndim = K.ndim(weights)
        score_array = K.mean(score_array, axis=list(range(weight_ndim, ndim)))
        score_array *= weights
        score_array /= K.mean(K.cast(K.not_equal(weights, 0), K.floatx()))
    return K.mean(score_array)

    度量函数由 score_array = fn(y_true, y_pred) 调用（它是嵌套函数， fn 在外部函数中定义） . 此数组在最后一行 return K.mean(score_array) 中取平均值 . 那是's why you'看到标量指标而不是张量 . 中间的线条只是为了在必要时引入面具和重量 .

    回复于

相关问题