如何使用TensorFlow指標在Keras

似乎有要對這個已經有幾個線程/問題，但它不會出現，我認爲這已經得到解決：如何使用TensorFlow指標在Keras

人們似乎遇到變量初始化或度量標準爲0的問題。

我需要計算不同的細分指標，並希望在我的Keras模型中包含tf.metric.mean_iou。這是我已經能夠拿出迄今最好的：

def mean_iou(y_true, y_pred): 
    score, up_opt = tf.metrics.mean_iou(y_true, y_pred, NUM_CLASSES) 
    K.get_session().run(tf.local_variables_initializer()) 
    return score 

model.compile(optimizer=adam, loss='categorical_crossentropy', metrics=[mean_iou])

此代碼不拋出任何錯誤，但總是mean_iou返回0。我相信這是因爲up_opt未評估。我已經看到，在TF 1.之前使用的東西沿着control_flow_ops.with_dependencies（[up_opt]，得分）的行來實現這一點。這在TF 1.3中似乎不可能了。

總之，如何評估Keras 2.0.6中的TF 1.3度量？這似乎是一個相當重要的特徵。

來源

2017-08-29 davhab

沒有你設法解決這個問題？ –

你仍然可以使用control_dependencies

def mean_iou(y_true, y_pred): 
    score, up_opt = tf.metrics.mean_iou(y_true, y_pred, NUM_CLASSES) 
    K.get_session().run(tf.local_variables_initializer()) 
    with tf.control_dependencies([up_opt]): 
     score = tf.identity(score) 
    return score

來源

2017-08-29 19:59:38

這會運行，但速度非常慢（與使用此附加度量不編譯模型相比，速度要慢大約10倍）。我懷疑是*分數= tf.identity（分數）*的原因。有任何想法嗎？ – davhab

這不是原因，'tf.identity'的複雜性是恆定的（1），它沒有任何區別。原因是計算另一個指標。 –

這是否也適用於keras損失函數？ – josh

如何使用TensorFlow指標在Keras

回答

相關問題