Python keras.metrics源代码分析

前言

metrics用于判断模型性能。度量函数类似于损失函数，只是度量的结果不用于训练模型。可以使用任何损失函数作为度量（如logloss等）。在训练期间监控metrics的最佳方式是通过Tensorboard。

官方提供的metrics最重要的概念就是有状态(stateful)变量，通过更新状态变量，可以不断累积统计数据，并可以随时输出状态变量的计算结果。这是区别于losses的重要特性，losses是无状态的(stateless)。

本文部分内容参考了：

Keras-Metrics官方文档

代码运行环境为：tf.__version__==2.6.2 。

metrics原理解析(以metrics.Mean为例)

metrics是有状态的(stateful)，即Metric 实例会存储、记录和返回已经累积的结果，有助于未来事务的信息。下面以tf.keras.metrics.Mean()为例进行解释：

创建tf.keras.metrics.Mean的实例：

m = tf.keras.metrics.Mean()

通过help(m) 可以看到MRO为：

Mean
Reduce
Metric
keras.engine.base_layer.Layer
...

可见Metric和Mean是 keras.layers.Layer 的子类。相比于类Layer，其子类Mean多出了几个方法：

• result: 计算并返回标量度量值(tensor形式)或标量字典，即状态变量简单地计算度量值。例如，m.result()，就是计算均值并返回。
• total: 状态变量m目前累积的数字总和
• count: 状态变量m目前累积的数字个数(m.total/m.count就是m.result()的返回值)
• update_state: 累积统计数字用于计算指标。每次调用m.update_state都会更新m.total和m.count；
• reset_state: 将状态变量重置到初始化状态；
• reset_states: 等价于reset_state，参见keras源代码metrics.py L355
• reduction: 目前来看，没什么用。

这也决定了Mean的特殊性质。其使用参见如下代码：

# 创建状态变量m,由于m未刚初始化,
# 所以total,count和result()均为0
m = tf.keras.metrics.Mean()
print("m.total:",m.total)
print("m.count:",m.count)
print("m.result():",m.result())

"""
# 输出:
m.total: <tf.Variable 'total:0' shape=() dtype=float32, numpy=0.0>
m.count: <tf.Variable 'count:0' shape=() dtype=float32, numpy=0.0>
m.result(): tf.Tensor(0.0, shape=(), dtype=float32)
"""

# 更新状态变量,可以看到total累加了总和,
# count累积了个数,result()返回total/count
m.update_state([1,2,3])
print("m.total:",m.total)
print("m.count:",m.count)
print("m.result():",m.result())

"""
# 输出:
m.total: <tf.Variable 'total:0' shape=() dtype=float32, numpy=6.0>
m.count: <tf.Variable 'count:0' shape=() dtype=float32, numpy=3.0>
m.result(): tf.Tensor(2.0, shape=(), dtype=float32)
"""

# 重置状态变量, 重置到初始化状态
m.reset_state()
print("m.total:",m.total)
print("m.count:",m.count)
print("m.result():",m.result())

"""
# 输出:
m.total: <tf.Variable 'total:0' shape=() dtype=float32, numpy=0.0>
m.count: <tf.Variable 'count:0' shape=() dtype=float32, numpy=0.0>
m.result(): tf.Tensor(0.0, shape=(), dtype=float32)
"""

创建自定义metrics

创建无状态 metrics

与损失函数类似，任何带有类似于metric_fn(y_true, y_pred)、返回损失数组（如输入一个batch的数据，会返回一个batch的损失标量）的函数，都可以作为metric传递给compile()：

import tensorflow as tf
import numpy as np
inputs = tf.keras.Input(shape=(3,))
x = tf.keras.layers.Dense(4, activation=tf.nn.relu)(inputs)
outputs = tf.keras.layers.Dense(1, activation=tf.nn.softmax)(x)
model1 = tf.keras.Model(inputs=inputs, outputs=outputs)
def my_metric_fn(y_true, y_pred):
    squared_difference = tf.square(y_true - y_pred)
    return tf.reduce_mean(squared_difference, axis=-1) # shape=(None,)
model1.compile(optimizer='adam', loss='mse', metrics=[my_metric_fn])
x = np.random.random((100, 3))
y = np.random.random((100, 1))
model1.fit(x, y, epochs=3)

输出：

Epoch 1/3
4/4 [==============================] - 0s 667us/step - loss: 0.0971 - my_metric_fn: 0.0971
Epoch 2/3
4/4 [==============================] - 0s 667us/step - loss: 0.0958 - my_metric_fn: 0.0958
Epoch 3/3
4/4 [==============================] - 0s 1ms/step - loss: 0.0946 - my_metric_fn: 0.0946

注意，因为本例创建的是无状态的度量，所以上面跟踪的度量值(my_metric_fn后面的值)是每个batch的平均度量值，并不是一个epoch（完整数据集）的累积值。（这一点需要理解，这也是为什么要使用有状态度量的原因！）

值得一提的是，如果上述代码使用

model1.compile(optimizer='adam', loss='mse', metrics=["mse"])

进行compile，则输出的结果是累积的，在每个epoch结束时的结果就是整个数据集的结果，因为metrics=["mse"]是直接调用了标准库的有状态度量。

通过继承Metric创建有状态metrics

如果想查看整个数据集的指标，就需要传入有状态的metrics，这样就会在一个epoch内累加，并在epoch结束时输出整个数据集的度量值。

创建有状态度量指标，需要创建Metric的子类，它可以跨batch维护状态，步骤如下：

• 在__init__中创建状态变量(state variables)
• 更新update_state()中y_true和y_pred的变量
• 在result()中返回标量度量结果
• 在reset_states()中清除状态

class BinaryTruePositives(tf.keras.metrics.Metric):
    def __init__(self, name='binary_true_positives', **kwargs):
        super(BinaryTruePositives, self).__init__(name=name, **kwargs)
        self.true_positives = self.add_weight(name='tp', initializer='zeros')
    def update_state(self, y_true, y_pred, sample_weight=None):
        y_true = tf.cast(y_true, tf.bool)
        y_pred = tf.cast(y_pred, tf.bool)
        values = tf.logical_and(tf.equal(y_true, True), tf.equal(y_pred, True))
        values = tf.cast(values, self.dtype)
        if sample_weight is not None:
            sample_weight = tf.cast(sample_weight, self.dtype)
            values = tf.multiply(values, sample_weight)
        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)
m = BinaryTruePositives()
m.update_state([0, 1, 1, 1], [0, 1, 0, 0])
print('Intermediate result:', float(m.result()))
m.update_state([1, 1, 1, 1], [0, 1, 1, 0])
print('Final result:', float(m.result()))

add_metric()方法

add_metric 方法是 tf.keras.layers.Layer类添加的方法，Layer的父类tf.Module并没有这个方法，因此在编写Layer子类如包括自定义层、官方提供的层(Dense)或模型(tf.keras.Model也是Layer的子类)时，可以使用add_metric()来与层相关的统计量。比如，将类似Dense的自定义层的激活平均值记录为metric。可以执行以下操作：

class DenseLike(Layer):
    """y = w.x + b"""
    ...
    def call(self, inputs):
        output = tf.matmul(inputs, self.w) + self.b
        self.add_metric(tf.reduce_mean(output), aggregation='mean', name='activation_mean')
        return output

将在名称为activation_mean的度量下跟踪output，跟踪的值为每个批次度量值的平均值。

更详细的信息，参阅官方文档The base Layer class - add_metric method。

参考

Keras-Metrics官方文档

到此这篇关于Python keras.metrics源代码分析的文章就介绍到这了,更多相关Python keras.metrics内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！

最新评论