• 【转载】 深入理解TensorFlow中的tf.metrics算子


    原文地址:

    https://mp.weixin.qq.com/s/8I5Nvw4t2jT1NR9vIYT5XA

    =================================================================================

    1.    概述

    本文将深入介绍Tensorflow内置的评估指标算子,以避免出现令人头疼的问题。

    • tf.metrics.accuracy()

    • tf.metrics.precision()

    • tf.metrics.recall()

    • tf.metrics.mean_iou()

    简单起见,本文在示例中使用tf.metrics.accuracy(),但它的模式以及它背后的原理将适用于所有评估指标。如果您只想看到有关如何使用tf.metrics的示例代码,请跳转到5.1和5.2节,如果您想要了解为何使用这种方式,请继续阅读。

    这篇文章将通过一个非常简单的代码示例来理解  tf.metrics 的原理,这里使用Numpy创建自己的评估指标。

    这将有助于对Tensorflow中的评估指标如何工作有一个很好的直觉认识。然后,我们将给出如何采用  tf.metrics  快速实现同样的功能。但首先,我先讲述一下写下这篇博客的由来。

    2.    背景

    这篇文章的由来是来自于我尝试使用tf.metrics.mean_iou评估指标进行图像分割,但却获得完全奇怪和不正确的结果。我花了一天半的时间来弄清楚我哪里出错了。你会发现,自己可能会非常容易错误地使用tf的评估指标。截至2017年9月11日,tensorflow文档并没有非常清楚地介绍如何正确使用Tensorflow的评估指标。

    因此,这篇文章旨在帮助其他人避免同样的错误,并且深入理解其背后的原理,以便了解如何正确地使用它们。

    3.    生成数据

    在我们开始使用任何评估指标之前,让我们先从简单的数据开始。我们将使用以下Numpy数组作为我们预测的标签和真实标签。数组的每一行视为一个batch,因此这个例子中共有4个batch

    import numpy as np
    labels = np.array([[1,1,1,0],
                       [1,1,1,0],
                       [1,1,1,0],
                       [1,1,1,0]], dtype=np.uint8)
    predictions = np.array([[1,0,0,0],
                            [1,1,0,0],
                            [1,1,1,0],
                            [0,1,1,1]], dtype=np.uint8)
    n_batches = len(labels)

    4.    建立评价指标

    为了简单起见,这里采用的评估指标是准确度(accuracy):

    如果我们想计算整个数据集上的  accuracy  ,  可以这样计算:

    n_items = labels.size
    accuracy = (labels ==  predictions).sum() / n_items
    print("Accuracy :", accuracy)
    [OUTPUT] Accuracy :
    0.6875

    这种方法的问题在于它不能扩展到大型数据集,这些数据集太大而无法一次性加载到内存。为了使其可扩展,我们希望使评估指标能够逐步更新,每次更新一个batch中预测值和标签。为此,我们需要跟踪两个值:

    • 正确预测的例子总和 

    • 目前所有例子的总数

    在Python中,我们创建两个全局变量:

    # Initialize running variables
    N_CORRECT = 0
    N_ITEMS_SEEN = 0

    每次新来一个batch,我们将这个batch中的预测情况更新到这两个变量中:

    # Update running variables
    N_CORRECT += (batch_labels == batch_predictions).sum()
    N_ITEMS_SEEN += batch_labels.size

    而且,我们可以实时地计算每个点处的accuracy:

    # Calculate accuracy on updated values
    acc = float(N_CORRECT) / N_ITEMS_SEEN

    合并前面的功能,我们创建如下的代码:

    # Create running variables
    N_CORRECT = 0
    N_ITEMS_SEEN = 0
    def reset_running_variables():
        """ Resets the previous values of running variables to zero     """
        global N_CORRECT, N_ITEMS_SEEN
        N_CORRECT = 0
        N_ITEMS_SEEN = 0
    def update_running_variables(labs, preds):
        global N_CORRECT, N_ITEMS_SEEN
        N_CORRECT += (labs == preds).sum()
        N_ITEMS_SEEN += labs.size
    def calculate_accuracy():
        global N_CORRECT, N_ITEMS_SEEN
        return float(N_CORRECT) / N_ITEMS_SEEN

    4.1 整体accuracy

     

    使用上面的函数,当我们便利完所有的batch之后,可以计算出整体accuracy:

     

    reset_running_variables()
    for i in range(n_batches):
        update_running_variables(labs=labels[i], preds=predictions[i])
    accuracy = calculate_accuracy()
    print("[NP] SCORE: ", accuracy)
    
    [OUTPUT] [NP] SCORE:
    0.6875

    4.2 每个batch的accuracy

    但是,如果我们想要计算每个batch的accuracy,那就要重新组织我们的代码了。每次更新全局变量之前,你需要先重置它们(归为0):

    for i in range(n_batches):
        reset_running_variables()
        update_running_variables(labs=labels[i], preds=predictions[i])
        acc = calculate_accuracy()
        print("- [NP] batch {} score: {}".format(i, acc))

    [OUTPUT]
    - [NP] batch 0 score: 0.5 - [NP] batch 1 score: 0.75 - [NP] batch 2 score: 1.0 - [NP] batch 3 score: 0.5

    5.    Tensorflow中的metrics

    在第4节中我们将计算评估指标的操作拆分为不同函数,这其实与Tensorflow中tf.metrics背后原理是一样的。当我们调用tf.metrics.accuracy函数时,类似的事情会发生:

    • 会同样地创建两个变量(变量会加入tf.GraphKeys.LOCAL_VARIABLES集合中),并将其放入幕后的计算图中:

      total(相当于N_CORRECT)

      count(相当于N_ITEMS_SEEN)

    • 返回两个tensorflow操作。

      accuracy(相当于calculate_accuracy())

      update_op(相当于update_running_variables())

    为了初始化和重置变量,比如第4节中的reset_running_variables函数,我们首先需要获得这些变量(total和count)。你可以在第一次调用时为tf.metrics.accuracy函数显式指定一个名称,比如:

    tf.metrics.accuracy(label, prediction, name="my_metric")

    然后就可以根据作用范围找到隐式创建的2个变量:

    # Isolate the variables stored behind the scenes by the metric operation
    running_vars = tf.get_collection(tf.GraphKeys.LOCAL_VARIABLES, scope="my_metric")
    <tf.Variable 'my_metric/total:0' shape=() dtype=float32_ref>,
    <tf.Variable 'my_metric/count:0' shape=() dtype=float32_ref>

    接下了我们可以创建一个初始化操作,以可以初始化或者重置两个变量:

    running_vars_initializer = tf.variables_initializer(var_list=running_vars)

    当你需要初始化或者重置变量时,只需要在session中运行一下即可:

     

    session.run(running_vars_initializer)

     

    注意:除了手动分离变量,然后创建初始化op,在TF中更常用的是下面的操作:

     

    session.run(tf.local_variables_initializer())

     

     

     

     

     

     

     

    所以,有时候你看到上面的操作不要大惊小怪,其实只是初始化了在tf.GraphKeys.LOCAL_VARIABLES集合中的变量,但是这样做把所以变量都初始化了,使用时要特别注意。

     

     

    知道上面的东西,我们很容易计算整体accuracy和batch中的accuracy。

     

     

     

     

     

     

     

    5.1     计算整体accuracy

     

     

    在TF中要计算整体accuracy,只需要如此:

     

     

    import tensorflow as tf
    graph = tf.Graph()
    with graph.as_default():
        # Placeholders to take in batches onf data
        tf_label = tf.placeholder(dtype=tf.int32, shape=[None])
        tf_prediction = tf.placeholder(dtype=tf.int32, shape=[None])
        # Define the metric and update operations
        tf_metric, tf_metric_update = tf.metrics.accuracy(tf_label,
                                                          tf_prediction,
                                                          name="my_metric")
        # Isolate the variables stored behind the scenes by the metric operation
        running_vars = tf.get_collection(tf.GraphKeys.LOCAL_VARIABLES, scope="my_metric")
        # Define initializer to initialize/reset running variables
        running_vars_initializer = tf.variables_initializer(var_list=running_vars)
    with tf.Session(graph=graph) as session:
        session.run(tf.global_variables_initializer())
        # initialize/reset the running variables
        session.run(running_vars_initializer)
        for i in range(n_batches):
            # Update the running variables on new batch of samples
            feed_dict={tf_label: labels[i], tf_prediction: predictions[i]}
            session.run(tf_metric_update, feed_dict=feed_dict)
        # Calculate the score
        score = session.run(tf_metric)
        print("[TF] SCORE: ", score)

    [OUTPUT] [TF] SCORE:
    0.6875

     

     

     

     

     

     

    5.2     计算每个batch的accuracy

     

     

    为了分别计算各个batch的准确度,在每批新数据之前将变量重置为零:

     

     

    with tf.Session(graph=graph) as session:
        session.run(tf.global_variables_initializer())
        for i in range(n_batches):
            # Reset the running variables
            session.run(running_vars_initializer)
            # Update the running variables on new batch of samples
            feed_dict={tf_label: labels[i], tf_prediction: predictions[i]}
            session.run(tf_metric_update, feed_dict=feed_dict)
            # Calculate the score on this batch
            score = session.run(tf_metric)
            print("[TF] batch {} score: {}".format(i, score))
    
    
    [OUTPUT]
    [TF] batch 0 score: 0.5
    [TF] batch 1 score: 0.75
    [TF] batch 2 score: 1.0
    [TF] batch 3 score: 0.5

     

     

     

     

    注意:如果每个batch计算之前不重置变量的话,其实计算的就是累积accuracy,也就是目前所有已经运行数据的accuracy。

     

     

     

     

     

     

     

     

     

     

    5.3   要避免的问题

     

     

     

    不要在相同的session.run()中同时运行tf_metricstf_metric_update,比如这样:

     

     

     

    _ , score = session.run([tf_metric_update, tf_metric], feed_dict=feed_dict)
    score, _
    = session.run([tf_metric, tf_metric_update], feed_dict=feed_dict)

     

     

     

    在Tensorflow 1.3 (或许其它版本)中,这可能得到不一致的结果。这返回的两个op,只有update_op才是真正负责更新变量,而第一个op只是简单根据当前变量计算评价指标,所以你应该先执行update_op然后再用第一个op计算指标。需要注意的,update_op执行后一个作用是更新变量,另外会同时返回一个结果,对于tf.metric.accuracy,就是更新变量后实时计算的accuracy。

     

     

     

     

     

     

    6.        其它metrics

     

    tf.metrics中的其他评估指标将以相同的方式工作。它们之间的唯一区别可能是调用tf.metrics函数时需要额外参数。例如,tf.metrics.mean_iou需要额外的参数num_classes来表示预测的类别数。另一个区别是背后所创建的变量,如tf.metrics.mean_iou创建的是一个混淆矩阵,但仍然可以按照我在本文第5部分中描述的方式收集和初始化它们。

     

     

     

     

     

     

     

    7.    结语

     

    对于TF中所有metric,其都是返回两个op一个是计算评价指标的op另外一个是更新op,这个op才是真正其更新作用的。我想之所以TF会采用这种方式,是因为metric所服务的其实是评估模型的时候,此时你需要收集整个数据集上的预测结果,然后计算整体指标,而TF的metric这种设计恰好满足这种需求。但是在训练模型时使用它们,就是理解它的原理,才可以得到正确的结果。

     

    注:原文略有删改

     

     

     

     

     

     

     

     

  • 相关阅读:
    DeFi之道丨科普:一分钟了解以太坊layer2扩容
    4.B-Air302(NB-IOT)-功能扩展-Android扫码绑定Air302,并通过MQTT实现远程控制和监控PLC(三菱Fx1s-10MR)
    Air302(NB-IOT)-硬件BUG-电路硬件错误及其修改说明
    4.2-Air302(NB-IOT)-自建MQTT服务器-Android扫码绑定Air302,并通过MQTT实现远程通信控制
    Android 开发:数据库操作-android 使用 litepal 操作本地数据库
    0.5-Air302(NB-IOT)-连接自建MQTT服务器
    0.1-Air302(NB-IOT)-刷AT指令固件
    STM32+ESP8266+AIR202基本控制篇-00-开发板回收说明
    21-STM32+ESP8266+AIR202/302远程升级方案-扩展应用-移植远程升级包实现STM32F407VET6+串口网络模组(ESP8266/Air202/Air302)使用http或者https远程升级单片机程序
    数据处理思想和程序架构: 单片机STM32F407xx/F405xx/F415xx/417xx系列flash存储方案
  • 原文地址:https://www.cnblogs.com/devilmaycry812839668/p/12696447.html
Copyright © 2020-2023  润新知