如何从 Tensorflow 二值图像分类中获得召回率和精度答案

【问题标题】：How to get Recall and Precision from Tensorflow binary image classification如何从 Tensorflow 二值图像分类中获得召回率和精度
【发布时间】：2021-12-29 13:41:32
【问题描述】：

如何从 Tensorflow 二值图像分类中获得召回率和精度？

我使用这段代码来评估我的验证数据集，但我得到了损失和准确性

model.evaluate(validationDataset)

这样的输出

3/3 [==============================] - 1s 262ms/step - loss: 0.1850 - accuracy: 0.9459
[0.18497566878795624, 0.9459459185600281]

如何轻松获得Recall和Precision？

至少我有这个代码的混淆表

tf.math.confusion_matrix(labels=validation_label, predictions=prediction_result).numpy()

输出：

array([[3,  1],
       [ 0, 2]], dtype=int32)

预测结果代码：

prediction_result = (model.predict(val_ds) > 0.5).astype("int32")

输出：

array([[0],
       [1],
       [1],
       [0],
       [1],
       [0]], dtype=int32)

验证标签代码：

validation_label = np.concatenate([y for x, y in val_ds], axis=0)

输出：

array([0, 1, 1, 0, 1, 0], dtype=int32)

环境：

谷歌合作实验室
张量流 2.7.0
Python 3.7.12

数据集结构：
/培训/
---/COVID19/
------/img1.jpg
------/img2.jpg
------/img3.jpg
---/正常/
------/img4.jpg
------/img5.jpg
------/img6.jpg

制作数据集代码：

batch_size = 32
img_height = 300    
img_width = 300
epochs = 10
input_shape = (img_width, img_height, 3)
AUTOTUNE = tf.data.AUTOTUNE


dataset_url = "https://storage.googleapis.com/fdataset/Dataset.tgz"
data_dir = tf.keras.utils.get_file('training', origin=dataset_url, untar=True)
data_dir = pathlib.Path(data_dir)

image_count = len(list(data_dir.glob('*/*.jpg')))
print(image_count)

train_ds = tf.keras.preprocessing.image_dataset_from_directory(
  data_dir,
  seed=123,
  subset="training",
  validation_split=0.8,
  image_size=(img_width, img_height),
  batch_size=batch_size)

val_ds = tf.keras.preprocessing.image_dataset_from_directory(
  data_dir,
  seed=123,
  subset="validation",
  validation_split=0.2,
  image_size=(img_width, img_height),
  batch_size=batch_size)

train_ds = train_ds.cache().shuffle(1000).prefetch(buffer_size=AUTOTUNE)
val_ds = val_ds.cache().prefetch(buffer_size=AUTOTUNE)

模型：

model = tf.keras.Sequential()
base_model = tf.keras.applications.DenseNet121(input_shape=input_shape,include_top=False)
base_model.trainable=True
model.add(base_model)
model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(16,activation='relu'))
model.add(tf.keras.layers.Dense(1, activation="sigmoid"))

损失函数：“binary_crossentropy”
优化器：RMSprop
指标：“准确性”

【问题讨论】：

标签： python tensorflow machine-learning computer-vision tensorflow2.0

【解决方案1】：

您可以使用以下代码来获得精确度和召回率以及损失和准确度：

model.compile(optimizer='rmsprop',
       loss='binary_crossentropy',
              metrics=['accuracy',
        tf.keras.metrics.Recall(),
     tf.keras.metrics.Precision()])

【讨论】：

它非常适合二进制分类，如果我可以再问一次，如果我使用多类分类，如果我像这样使用它，这将是一个错误，因为像这样的不同形状“ValueError: Shapes (32 , 10) 和 (32, 1) 不兼容”，怎么解决？
它适用于多类分类，您需要在最后一层定义 num_of calsses 以及在 compile 方法中的激活和损失函数。