技術標籤：自然語言處理深度學習tensorflow

近期寫課程作業，需要用Keras搭建網路層，跑實驗時需要計算precision，recall和F1值，在前幾年，Keras沒有更新時，我用的程式碼是直接取訓練期間的預測標籤，然後和真實標籤之間計算求解，程式碼是

from keras.callbacks import Callback
from sklearn.metrics import confusion_matrix, f1_score, precision_score, recall_score
 
class Metrics(Callback):
    def on_train_begin(self, logs={}):
        self.val_f1s = []
        self.val_recalls = []
        self.val_precisions = []
 
    def on_epoch_end(self, epoch, logs={}):
        val_predict = (np.asarray(self.model.predict(self.validation_data[0]))).round()##.model
        val_targ = self.validation_data[1]###.model
        _val_f1 = f1_score(val_targ, val_predict,average='micro')
        _val_recall = recall_score(val_targ, val_predict,average=None)###
        _val_precision = precision_score(val_targ, val_predict,average=None)###
        self.val_f1s.append(_val_f1)
        self.val_recalls.append(_val_recall)
        self.val_precisions.append(_val_precision)
        #print("— val_f1: %f — val_precision: %f — val_recall: %f" %(_val_f1, _val_precision, _val_recall))
        print("— val_f1: %f "%_val_f1)
        return
 
f1=Metrics()
hist=cnn_net.fit(x_train,y_train,batch_size=batch_size,epochs=35,verbose=1,validation_data=(x_train,y_train),callbacks=[f1])
 

需要使用時，將Metrics檔案匯入，呼叫函式，放置到model.fit( callbacks=[ f1 ] )中就可以計算了。

現在TensorFlow更新到2.2.0以上，Keras版本為2.4.3以上，上面那個函式就不太管用了，後來查資料找到了一個包，keras-metrics.

安裝後，匯入包 keras_metrics，將設定好的引數放置model.compile( metrics=[ km.f1score()] )

import keras
import keras_metrics as km

model = models.Sequential()
model.add(keras.layers.Dense(1, activation="sigmoid", input_dim=2))
model.add(keras.layers.Dense(1, activation="softmax"))

model.compile(optimizer="sgd",
              loss="binary_crossentropy",
              metrics=[km.f1score(), km.binary_precision(), km.binary_recall()])
 

新增上之後，就可以計算評價值了。