训练过程acc_KERAS（4.调整metrics-附带训练过程中recall及precision输出）

====

有些鬼人是真的嘴碎，本文原标题只是调整metrics，并没有说给你真的recall和precision的计算方式，不知道伸手党哪来的脸瞎喷什么鬼，好吧我承认之前年轻不知道抄人家代码要转载，现在我看了一下人家代码，确实有问题，现在修改了，完全是我的代码了，应该是没问题了，读不懂标题、不会说话的崽崽请自重，都学keras了还这点素质真不想挂你了

====

由于针对每个batch的准确率/召回率/查准率的计算意义不大，因而在keras2.0后训练过程中这三项metrics被取消了，因而若需要还需自行定义召回率/查准率/的计算函数

由于需要调用keras后台（本人使用的是tensorflow），针对张量进行批量处理，代码中，K为后台（keras.backend），ytrue为真实值，y_pred为预测值

import keras.backend as K
from keras import Sequential
from keras.layers import Dense
import numpy as np

def getPrecision(y_true, y_pred):
    TP = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))#TP
    N = (-1)*K.sum(K.round(K.clip(y_true-K.ones_like(y_true), -1, 0)))#N
    TN=K.sum(K.round(K.clip((y_true-K.ones_like(y_true))*(y_pred-K.ones_like(y_pred)), 0, 1)))#TN
    FP=N-TN
    precision = TP / (TP + FP + K.epsilon())#TT/P
    return precision

def getRecall(y_true, y_pred):
    TP = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))#TP
    P=K.sum(K.round(K.clip(y_true, 0, 1)))
    FN = P-TP #FN=P-TP
    recall = TP / (TP + FN + K.epsilon())#TP/(TP+FN)
    return recall

在compile时候调用这两个函数

myModel.compile(optimizer="sgd",
                           loss="categorical_crossentropy",
                           metrics=["acc",getRecall,getPrecision])

然后训练时候可以用以下main函数检验一下

if __name__=="__main__":
    x=np.array([[0,0],[1,0],[1,1],[0,1]])
    y=np.array([[0],[0],[1],[1]])
    myModel =Sequential()
    myModel.add(Dense(256,activation='sigmoid',input_shape=(2,)))
    myModel.add(Dense(128,activation='sigmoid'))
    myModel.add(Dense(64,activation='sigmoid'))
    myModel.add(Dense(1,activation='sigmoid'))
    myModel.compile(optimizer="adam",
                           loss="binary_crossentropy",
                           metrics=["acc",getRecall,getPrecision])
    myModel.fit(x,y,epochs=300)
    preY=myModel.predict(x)
    print(y.T)
    print(preY.T)

15次迭代下训练结果展示如下：

Epoch 15/15
4/4 [==============================] - 0s 749us/step - loss: 0.7211 - acc: 0.5000 - getRecall: 0.0000e+00 - getPrecision: 0.0000e+00

预测结果为：

[[0 0 1 1]]
[[0.38936457 0.38851783 0.38819802 0.389041  ]]

可见，模型基本把所有结果都预测为0，因而TP为0，因而recall和precision为0

300次迭代下训练结果展示如下：

Epoch 7/300
4/4 [==============================] - 0s 749us/step - loss: 0.6917 - acc: 0.5000 - getRecall: 1.0000 - getPrecision: 0.5000
....
Epoch 300/300
4/4 [==============================] - 0s 1ms/step - loss: 0.0021 - acc: 1.0000 - getRecall: 1.0000 - getPrecision: 1.0000

预测结果为：

[[0 0 1 1]]
[[0.00177999 0.00176538 0.9976775  0.99769515]

可见，初期欠拟合阶段，recall与precision产生差异，之后随着模型能力增强，recall与precision差异逐渐降低，直至都为1。

然后有的同学可能需要做其他运算，建议稍微学学tensorflow的张量运算，就能自己创造metrics啦~

然后关于伴随metrics的存取问题链接放这呐

白歌：KERAS（5.伴随metrics保存/读取模型）​zhuanlan.zhihu.com