使用CNN对不平衡数据集进行图像分类。 我对tensorflow后端是全新的。 这是多种问题，我有16种。 类是热码。 在
我想计算每个日历元的宏观指标。 F1、准确度和召回率。 在类方法(callback ) :上
efon_train_Begin(self，logs={} ) :
self.val_f1s=[]
self.val_recalls=[]
self.val_precisions=[]
efon_epoch_end(self，epoch，logs={} ) :
val_predict=(NP.asarray ) self.model.predict (self.validation _ data [0] ) ) ) ).round ) )
val _ targ=self.validation _ data [1]
_val_F1=F1_score(val_targ，val_predict，average='macro ' )
_ val _ recall=recall _ score (val _ targ，val_predict，average='macro ' )
_ val _ precision=precision _ score (val _ targ，val_predict，average='macro ' )
self.val_F1s.append(_val_F1 ) ) ) ) ) ) ) )。
self.val _ recalls.append (val _ recall ) )。
self.val _ precisions.append (val _ precision ) )。
print (-val _ f 1: % f-val _ precision : % f-val _ recall % f ) (val_f1，_val_precision，_val_precision )
返回
metrics=Metrics (
因为我们在用，所以我甚至不知道这个代码是否真的有效
^{pr2}$
如果分为多个类别，舍入会出错吗？
使用此代码打印训练集中的度量。 (我只记得对我来说重要的度量。 )也可以在验证集中进行计算。 这是因为它用于模型.计算。 ）
代码修订： custommacroforrecallinkerasdefrecall (y _ true，y_pred ) :
true_positives=k.sum(k.round ) k.clip ) y_true*y_pred，0，1 ) )
possible _ positives=k.sum (k.round ) k.clip(y_true，0，1 ) )
return true _ positives/(possible _ positivesk.epsilon () )
efunweightedrecall(y_true，y_pred ) :
return (recall (y _ true [ :0 ]，y _ pred [ :0 ] ) recall ) y _ true [ :1 ]，y _ pred [ 3360，1 ]
recall (y _ true [ :4 ]，y _ pred [ :4 ] ) recall (y _ true [ :5 ]，y _ pred [ 3360，5 ] ) )
recall (y _ true [ :6 ]，y _ pred [ :6 ] ) recall (y _ true [ :7 ]，y _ pred [ 3360，7 ] ) )
recall (y _ true [ :8 ]，y _ pred [ :8 ] ) recall (y _ true [ :9 ]，y _ pred [ 3360，9 ] ) )
recall (y _ true [ :10 ]，y _ pred [ :10 ] ) recall (y _ true [ :11 ]，y _ pred [ 3360，11 ] )
recall (y _ true [ :12 ]，y _ pred [ :12 ] ) recall (y _ true [ :13 ]，y _ pred [ 3360，13 ] )
recall (y _ true [ :14 ]，y _ pred [ :14 ] ) recall (y _ true [ :15 ]，y _ pred [ 3360，15 ] )
我的模型model.compile(optimizer='Adam '，loss='categorical_crossentropy '，metrics=[unweightedRecall，' accurall] )
train=model.fit _ generator (image _ gen.flow ) train_x、train_label、batch_size=64 )、epochs=100、vepoch class_weight=class_weights，callbacks=[metrics]，steps _ per _ epoch=len (train _ x (/64 ) #run the model
验证宏调用与两个不同的代码不同。 在
也就是说，(看到val峰unweightedRecall和无心的香水回忆) Epoch 10/100
19/18 [==================]-13s 703 ms/step-loss :1.5167-unweighted recall
—val _ f 1:168833—val _ precision :197502—val _ recall 0.15636
为什么两个不同代码的宏验证调用有不同的值？ 在
奖金问题：对于已经尝试过它的人来说，基于我们感兴趣的指标(例如回忆)使用定制损失或使用加权分类交叉熵产生相同的结果真的值得吗？ 在