У меня есть набор данных изображений, который я разделил на папки Training и Testing, каждая из которых разделена на два класса, которые я классифицирую. Я использую генераторы Keras для подбора и оценки данных. Я нашел в Интернете несколько ресурсов, за которыми следил, чтобы реализовать показатели точности, отзыва и f1-score. Вот мой код:
class_mode = 'binary'
out_activation = 'sigmoid'
epochs = 1
mode = 'grayscale'
cat_or_bin = 'binary_crossentropy'
out_activation = 'sigmoid'
image_size = 224
batch = 128
channels = 1
def model_logistic():
m = Sequential()
m.add(Flatten(input_shape = (image_size, image_size, channels)))
m.add(Dropout(0.2))
m.add(Dense(out,activation=out_activation))
return m
def recall_m(y_true, y_pred):
y_true = K.ones_like(y_true)
true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
all_positives = K.sum(K.round(K.clip(y_true, 0, 1)))
recall = true_positives / (all_positives + K.epsilon())
return recall
def precision_m(y_true, y_pred):
y_true = K.ones_like(y_true)
true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))
precision = true_positives / (predicted_positives + K.epsilon())
return precision
def f1_score(y_true, y_pred):
precision = precision_m(y_true, y_pred)
recall = recall_m(y_true, y_pred)
return 2 * ((precision * recall) / (precision + recall + K.epsilon()))
train_generator = datagen.flow_from_directory(
directory=dir,
target_size=(image_size, image_size),
color_mode=mode,
batch_size=batch,
classes = {'no_acc':0, 'acc':1},
class_mode=class_mode,
shuffle=True)
Test_generator = datagen.flow_from_directory(
directory=dir_test,
target_size=(image_size, image_size),
color_mode=mode,
batch_size=batch,
classes = {'no_acc':0, 'acc':1},
class_mode=class_mode,
shuffle=True)
STEP_SIZE_TRAIN = train_generator.n // train_generator.batch_size
STEP_SIZE_TEST = test_generator.n // test_generator.batch_size
sgd = optimizers.sgd(learning_rate=0.0001, momentum=0.9, nesterov=True)
model.compile(loss=cat_or_bin, optimizer=sgd, metrics=['accuracy', f1_score, precision_m, recall_m])
H = model.fit_generator(generator=train_generator,
steps_per_epoch=STEP_SIZE_TRAIN,
epochs=epochs,
verbose=1)
(loss,
accuracy,
f1_score, precision, recall) = model.evaluate_generator(test_generator, STEP_SIZE_TEST)
вывод для обучения и оценки следующий:
422/422 [==============================] - 384s 910ms/step - loss: 0.2392 - accuracy: 0.9303 - f1_score: 0.4661 - precision_m: 0.9502 - recall_m: 0.3174
2.7411930561065674
0.605730414390564
0.0
0.0
0.0
Почему он выводит нули для этих показателей?
РЕДАКТИРОВАТЬ
Keras v2.3 теперь фактически включает эти показатели, поэтому я добавил их в свой код как таковые:
from keras.metrics import Precision, Recall
model.compile(loss=cat_or_bin, optimizer=sgd, metrics=['accuracy', Precision(), Recall()])
Тем не менее, выходные данные по-прежнему равны нулю для этих показателей.