insightface人脸识别代码记录(三)（评价函数）

一、前言

这次主要围绕~/src/train_softmax.py脚本中的两个类来进行记录，AccMetric类和LossValueMetric类。

目录地址：insightface人脸识别代码记录(总)(基于MXNet)

二、主要内容

以下为train_softmax.py中的部分代码，仅包含两个评价验证类。可以看出，这两个类均继承mxnet.metric.EvalMetric基础类。
两个类均是在update()中计算得到self.sum_metric和self.num_inst，这两个类似于分子和分母，self.sum_metric存放的是预测的和实际一样的，self.num_inst存放的是预测的总和。而评价函数的主要工作就是改写update()。
然后，通过mx.metric.create()来管理你的评价函数，或者通过另一种方式，mxnet.metric.CompositeEvalMetric类也可以，具体见下面的示例。最后把这个eval_metric送入fit()中，就没我们啥事了。但是，metric在fit()中究竟是怎么计算呢？
请接着往下看。

train_softmax.py:

class AccMetric(mx.metric.EvalMetric):
  def __init__(self):
    self.axis = 1
    super(AccMetric, self).__init__(
        'acc', axis=self.axis,
        output_names=None, label_names=None)
    self.losses = []
    self.count = 0

  def update(self, labels, preds):
    self.count+=1
    label = labels[0]
    pred_label = preds[1]
    if pred_label.shape != label.shape:
        pred_label = mx.ndarray.argmax(pred_label, axis=self.axis)
    pred_label = pred_label.asnumpy().astype('int32').flatten()
    label = label.asnumpy()
    if label.ndim==2:
      label = label[:,0]
    label = label.astype('int32').flatten()
    assert label.shape==pred_label.shape
    self.sum_metric += (pred_label.flat == label.flat).sum()
    self.num_inst += len(pred_label.flat)

class LossValueMetric(mx.metric.EvalMetric):
  def __init__(self):
    self.axis = 1
    super(LossValueMetric, self).__init__(
        'lossvalue', axis=self.axis,
        output_names=None, label_names=None)
    self.losses = []

  def update(self, labels, preds):
    loss = preds[-1].asnumpy()[0]
    self.sum_metric += loss
    self.num_inst += 1.0
    gt_label = preds[-2].asnumpy()
    #print(gt_label)
...
...
   metric1 = AccMetric()
   eval_metrics = [mx.metric.create(metric1)]

   if args.ce_loss:
     metric2 = LossValueMetric()
     eval_metrics.append( mx.metric.create(metric2) )
     
 # eval_metrics = mx.metric.CompositeEvalMetric()
 # for child_metric in [metrics_1, metrics_2]:
 #   	eval_metrics.add(child_metric)

...
...
model.fit(train_dataiter,
        begin_epoch        = begin_epoch,
        num_epoch          = end_epoch,
        eval_data          = val_dataiter,
        eval_metric        = eval_metrics,
        kvstore            = 'device',
        optimizer          = opt,
        #optimizer_params   = optimizer_params,
        initializer        = initializer,
        arg_params         = arg_params,
        aux_params         = aux_params,
        allow_missing      = True,
        batch_end_callback = _batch_callback,
        epoch_end_callback = epoch_cb )

这就得去官网看源码了，请看以下截图：
首先来到module模块中，即https://github.com/apache/incubator-mxnet/tree/master/python/mxnet/module,进入base_module.py中，我们便可以看到fit()的原型。如下图：

然后我们可以在fit()中找到评价函数到底是如何运作计算的。如下图：

然后跟着来到metric.py脚本中，https://github.com/apache/incubator-mxnet/blob/master/python/mxnet/metric.py，找到刚才的那个方法，get_global_name_value()；然后根据self._has_global_stats这个参数，分为是否全局两种情况，分别计算，如下图：




总结一下这个fit()的过程：
首先，fit()是Module类的一个方法，所以我们要去module.py脚本找，这个脚本里定义的Module类，fit()方法继承自BaseModule类并且在BaseModule类中实现，Module类中并没有做修改，所以需要在BaseModule类中查看fit()方法。再来到base_module.py,即实现BaseModule类的地方，找到fit()，在其中找到metric调用的get_global_name_value()，最后来到metric.py,找到其计算方式。

三、结尾

这里就是关于Insightface中关于识别的评价函数的介绍。针对情况的不同，评价函数自然不同，但是万变不离其宗。