接着，创建4个度量在训练周期的折线图。



请注意，度量使用字符串别名值[‘mse’，‘mae'，'‘mape'，‘cos']指定，并使用扩展函数名称将其作为历史对象的键值引用。

我们还可以使用扩展名指定度量，如下所示：

model.compile(loss='mse', optimizer='adam', metrics=['mean_squared_error', 'mean_absolute_error', 'mean_absolute_percentage_error', 'cosine_proximity'])

或者你也可以使用损失函数作为度量

例如，您可以使用均方对数误差（mean_squared_logarithmic_error，MSLE或msle）损失函数作为度量，如下所示：

model.compile(loss='mse', optimizer='adam', metrics=['msle'])

Keras分类度量

以下是可以在Keras中使用的关于分类问题的度量列表。

• 二进制精度：binary_accuracy，


• 分类准确度：categorical_accuracy, acc


• 稀疏分类精度：sparse_categorical_accuracy


• top k分类精度：top_k_categorical_accuracy（需要指定一个k参数）


• 稀疏Top k分类精度：sparse_top_k_categorical_accuracy（需要指定一个k参数）

精度是指定好的。

无论你的问题是二进制还是多分类问题，都可以指定“ acc ”度量来报告精度。

下面是一个内置的精度度量演示的二进制分类问题的示例。

from numpy import array

from keras.models import Sequential

from keras.layers import Dense

from matplotlib import pyplot

# prepare sequence

X = array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0])

y = array([0, 0, 0, 0, 0, 1, 1, 1, 1, 1])

# create model

model = Sequential()

model.add(Dense(2, input_dim=1))

model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['acc'])

# train model

history = model.fit(X, y, epochs=400, batch_size=len(X), verbose=2)

# plot metrics

pyplot.plot(history.history['acc'])

pyplot.show()

运行这个示例，在每个周期结束时记录精度

...

Epoch 396/400

0s - loss: 0.5934 - acc: 0.9000

Epoch 397/400

0s - loss: 0.5932 - acc: 0.9000

Epoch 398/400

0s - loss: 0.5930 - acc: 0.9000

Epoch 399/400

0s - loss: 0.5927 - acc: 0.9000

Epoch 400/400

0s - loss: 0.5925 - acc: 0.9000

创建一个精度的折线图。

自定义Keras的度量

你还可以定义自己的度量并且在为“metrics”参数调用compile()函数时在函数列表中指定函数名。

我通常喜欢跟踪的度量是RMSE（均方根误差）。

你可以通过检查现有度量的代码来了解如何编写自定义的度量。

例如，下面是Keras中mean_squared_error损失函数和度量的代码。

def mean_squared_error(y_true, y_pred):

    return K.mean(K.square(y_pred - y_true), axis=-1)

K是Keras使用的后端。

在该示例、其他的损失函数示例和度量中，这个方法是在后端使用标准数学函数来计算兴趣度量。

例如，我们可以编写一个自定义度量来计算RMSE，如下所示：

from keras import backend

 

def rmse(y_true, y_pred):

	return backend.sqrt(backend.mean(backend.square(y_pred - y_true), axis=-1))

你可以看到函数与添加了sqrt（）包含结果的代码MSE相同。

我们可以在我们的回归示例中进行如下测试。请注意，我们只是直接列出了函数名，而不是将其作为Keras的字符串或别名来解决。

from numpy import array

from keras.models import Sequential

from keras.layers import Dense

from matplotlib import pyplot

from keras import backend

 

def rmse(y_true, y_pred):

	return backend.sqrt(backend.mean(backend.square(y_pred - y_true), axis=-1))

 

# prepare sequence

X = array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0])

# create model

model = Sequential()

model.add(Dense(2, input_dim=1, activation='relu'))

model.add(Dense(1))

model.compile(loss='mse', optimizer='adam', metrics=[rmse])

# train model

history = model.fit(X, X, epochs=500, batch_size=len(X), verbose=2)

# plot metrics

pyplot.plot(history.history['rmse'])

pyplot.show()

运行示例记录每个训练周期结束时自定义的RMSE度量。

...
Epoch 496/500
0s - loss: 1.2992e-06 - rmse: 9.7909e-04
Epoch 497/500
0s - loss: 1.2681e-06 - rmse: 9.6731e-04
Epoch 498/500
0s - loss: 1.2377e-06 - rmse: 9.5562e-04
Epoch 499/500
0s - loss: 1.2079e-06 - rmse: 9.4403e-04
Epoch 500/500
0s - loss: 1.1788e-06 - rmse: 9.3261e-04

在运行结束时，创建自定义RMSE度量的折线图。



你自定义度量函数必须对Keras内部数据结构进行操作，这些内部数据结构可能会因使用的后端不同而有所差别（例如，在使用tensorflow时为tensorflow.python.framework.ops.Tensor），而不是直接使用原始yhat值和y值。

因此，我建议尽可能使用后端数学函数来保持一致性和执行速度。

拓展阅读

如果你想学的更多，可以访问以下的资源。

• Keras度量API文档：https://keras.io/metrics/


• Keras度量源代码：https://github.com/fchollet/keras/blob/master/keras/metrics.py


• Keras Loss API文档：https://keras.io/losses/


• Keras Loss 源代码：https://github.com/fchollet/keras/blob/master/keras/losses.py

总结

在本教程中，你已经学会如何在训练深度学习模型时使用Keras度量。

具体来说，你学到了：

• Keras度量如何原理，以及如何配置模型以在训练期间报告度量。


• 如何使用Keras内置的分类和回归度量。


• 如何有效地定义和报告自定义度量，同时训练的深度学习模型。