使用外部参数实现自定义 keras 指标答案

【问题标题】：Implementing custom keras metric with outside parameter使用外部参数实现自定义 keras 指标
【发布时间】：2021-07-17 05:11:11
【问题描述】：

我想实施一个自定义指标，以使用我的训练集中未包含的值来评估预测，从而在每个时期评估我的模型。

我的指标的想法：

def custom_metric(y_true, y_pred, other_values):
   """
   y_true is training data, binary value
   y_pred is predicted values 
   other_values is an inputted tensor, includes values in (0, 2) """

   Use K backend to return the proper value.
   ...

可能还有其他方法可以进行相同的计算，从而有效地解决相同的问题。其中之一是在每个时期检查模型并在训练完成后运行此分析。但是，我不希望这样做，因为我在 TPU 上进行训练并将权重复制到 CPU 需要在每个 epoch 进行编译，并且需要 100 倍的训练时间。

有人有实现这种技术的聪明方法吗？是采用指标还是其他方法？

【问题讨论】：

标签： python tensorflow keras

【解决方案1】：

答案是使用包装函数：

即

def custom_metric(my_variable):
   # 1. conversion of my_variable to tensor
   def metric_name(y_pred, y_true):
      # 2. return tensorflow backend metric, utilizing custom tensor
   return metric_name

【讨论】：

【解决方案2】：

您可以继承 Keras Metric 基类，在 __init__ 中提供 other_values，并在 update_state 方法中提供 y_true 和 y_pred：

from tensorflow.keras.metrics import Metric

class CustomMetric(Metric):
    def __init__(self, other_values):
        self.other_values = other_values
        ''' perform any calculations that don't rely on a specific y_true or y_pred
        '''

    def update_state(self, y_true, y_pred):
        ''' calculate loss using previously stored self.other_values, etc.
        '''

另一种选择是创建一个自定义层并使用add_metric API。如果您的 other_values 与层的架构相关，或者您需要在中间步骤上执行指标计算，这将特别有用。

【讨论】：