Tensorflow 2 中模型metric的设置方法总结

• 1. 设置方法
• • 1.1 `metrics`表示形式
  • 1.2 `metrics`传值方式
  • 1.3 `metrics`样本加权
• 2. 例程

1. 设置方法

以下内容，引用自Model官方手册——“compile”中metrics参数的解释。

1.1 metrics表示形式

每个指标可以是一个字符串（内置函数的名称）、函数或tf.keras.metrics.Metric实例。请参见tf.keras.metrics。

1. 通常情况下，您会使用metrics=['accuracy']（此为字符串）
2. 函数是任何具有签名的可调用对象result=fn(y_true,y_pred)。

1.2 metrics传值方式

为了为多输出模型的不同输出指定不同的指标，

1. 您也可以传递一个字典，例如metrics={'output_a':'accuracy', 'output_b':['accuracy', 'mse']}。
2. 您还可以传递一个列表来指定每个输出的指标或一组指标，例如metrics=[['accuracy'], ['accuracy', 'mse']]或metrics=['accuracy', ['accuracy', 'mse']]。
   但注意因为每个输出可以有多个指标，所以在传列表的时候就不能直接传一个1维列表，而应该传一个二维列表，但在该二维列表的最后一个轴上的元素个数可以不同。

当您传递字符串'accuracy'或'acc'时，我们会根据目标和模型输出的形状（shape）将其转换为tf.keras.metrics.BinaryAccuracy、tf.keras.metrics.CategoricalAccuracy、tf.keras.metrics.SparseCategoricalAccuracy之一（此为tf.keras.metrics.Metric实例）。对于字符串'crossentropy'和'ce'，我们也进行类似的转换。

1.3 metrics样本加权

在这里传递的指标是不带样本加权的；如果您希望应用样本加权，您可以通过weighted_metrics参数指定您的指标。

2. 例程

更多例程可以参考

1. 官方指南：《使用内置方法进行训练和评估》——“将数据传递到多输入、多输出模型”部分；
2. 官方指南：《不平衡数据的分类》——“定义模型和指标”部分。