python - 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

我的问题是如何创建 AUC and ROC当我使用 fit_generator 时？

Answer 1

我认为在这种情况下，您最好的选择是将 AUC 定义为新指标。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，我不记得我测试过它的结果正确性)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指标:

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，并且它给出的结果是否正确，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，然后你可以调用sklearn roc_auc_score从那里打印出来或保存到日志中。

但是，到目前为止我发现，您需要通过 __init__ 向它提供训练数据。 ，因此对于生成器，您需要确保回调的生成器提供与模型的拟合生成器相同的数据。另一方面，对于验证生成器，可以使用 self.validation_data 从回调类访问它。 ，与提供给 fit_generator 的相同.