如何在使用 fit_generator 和 evaluate_generator 训练我的网络时绘制 AUC 和 ROC？

Question

我正在使用生成器来训练和预测我的数据的分类。这是ImageDataGenerator的示例

from keras.preprocessing.image import ImageDataGenerator

batch_size = 16

train_datagen = ImageDataGenerator(
        rescale=1./255,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True)

test_datagen = ImageDataGenerator(rescale=1./255)


train_generator = train_datagen.flow_from_directory(
        'data/train',  # this is the target directory
        target_size=(150, 150),  
        batch_size=batch_size,
        class_mode='binary') 

validation_generator = test_datagen.flow_from_directory(
        'data/validation',
        target_size=(150, 150),
        batch_size=batch_size,
        class_mode='binary')
       

model.fit_generator(
        train_generator,
        steps_per_epoch=2000 // batch_size,
        epochs=50,
        validation_data=validation_generator,
        validation_steps=800 // batch_size)
model.save_weights('first_try.h5')  # always save your weights after training or during training

我的问题是当我使用fit_generator 时如何创建AUC and ROC？

Answer 1

我认为在这种情况下您最好的选择是将 AUC 定义为一个新指标。为此，您必须在 tensorflow 中定义指标（我假设您使用的是 tensorflow 后端）。

我之前尝试过的一种方法（但是，我不记得我测试过结果的正确性）是这样的：

def as_keras_metric(method):
    """
    This is taken from:
    https://stackoverflow.com/questions/45947351/how-to-use-tensorflow-metrics-in-keras/50527423#50527423
    """
    @functools.wraps(method)
    def wrapper(*args, **kwargs):
        """ Wrapper for turning tensorflow metrics into keras metrics """
        value, update_op = method(*args, **kwargs)
        tf.keras.backend.get_session().run(tf.local_variables_initializer())
        with tf.control_dependencies([update_op]):
            value = tf.identity(value)
        return value
    return wrapper

然后在编译模型时定义度量：

model.compile(metrics=['accuracy', as_keras_metric(tf.metrics.auc)], optimizer='adam', loss='categorical_crossentropy')

虽然这会吐出数字，但我还没有确定它们是否正确。如果您能够对此进行测试，并且它给出了正确的结果，请告诉我，我很想知道。

解决此问题的第二种方法是使用callback class 并至少定义on_epoch_end 函数，然后您可以从那里调用sklearn roc_auc_score 并打印输出或保存到日志.

但是，到目前为止，我发现，您需要通过__init__ 为其提供训练数据，因此对于生成器，您需要确保回调的生成器提供与模型拟合相同的数据发电机。另一方面，对于验证生成器，可以使用self.validation_data 从回调类中访问它，这与提供给fit_generator 的方法相同。