溫馨提示×

溫馨提示×

您好，登錄后才能下訂單哦！

密碼登錄×
登錄注冊×
其他方式登錄
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》

Keras如何自定義IOU

發(fā)布時間：2020-07-17 10:57:15 來源：億速云 閱讀：306 作者：小豬 欄目：開發(fā)技術(shù)

小編這次要給大家分享的是Keras如何自定義IOU，文章內(nèi)容豐富，感興趣的小伙伴可以來了解一下，希望大家閱讀完這篇文章之后能夠有所收獲。

我就廢話不多說了，大家還是直接看代碼吧！

def iou(y_true, y_pred, label: int):
  """
  Return the Intersection over Union (IoU) for a given label.
  Args:
    y_true: the expected y values as a one-hot
    y_pred: the predicted y values as a one-hot or softmax output
    label: the label to return the IoU for
  Returns:
    the IoU for the given label
  """
  # extract the label values using the argmax operator then
  # calculate equality of the predictions and truths to the label
  y_true = K.cast(K.equal(K.argmax(y_true), label), K.floatx())
  y_pred = K.cast(K.equal(K.argmax(y_pred), label), K.floatx())
  # calculate the |intersection| (AND) of the labels
  intersection = K.sum(y_true * y_pred)
  # calculate the |union| (OR) of the labels
  union = K.sum(y_true) + K.sum(y_pred) - intersection
  # avoid divide by zero - if the union is zero, return 1
  # otherwise, return the intersection over union
  return K.switch(K.equal(union, 0), 1.0, intersection / union)
 
def mean_iou(y_true, y_pred):
  """
  Return the Intersection over Union (IoU) score.
  Args:
    y_true: the expected y values as a one-hot
    y_pred: the predicted y values as a one-hot or softmax output
  Returns:
    the scalar IoU value (mean over all labels)
  """
  # get number of labels to calculate IoU for
  num_labels = K.int_shape(y_pred)[-1] - 1
  # initialize a variable to store total IoU in
  mean_iou = K.variable(0)
  
  # iterate over labels to calculate IoU for
  for label in range(num_labels):
    mean_iou = mean_iou + iou(y_true, y_pred, label)
    
  # divide total IoU by number of labels to get mean IoU
  return mean_iou / num_labels

補充知識：keras 自定義評估函數(shù)和損失函數(shù)loss訓(xùn)練模型后加載模型出現(xiàn)ValueError: Unknown metric function:fbeta_score

keras自定義評估函數(shù)

有時候訓(xùn)練模型，現(xiàn)有的評估函數(shù)并不足以科學(xué)的評估模型的好壞，這時候就需要自定義一些評估函數(shù)，比如樣本分布不均衡是準確率accuracy評估無法判定一個模型的好壞，這時候需要引入精確度和召回率作為評估標準，不幸的是keras沒有這些評估函數(shù)。

以下是參考別的文章摘取的兩個自定義評估函數(shù)

召回率：

def recall(y_true, y_pred):
  true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
  possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)))
  recall = true_positives / (possible_positives + K.epsilon())
  return recall

精確度：

def precision(y_true, y_pred):
  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

自定義了評估函數(shù)，一般在編譯模型階段加入即可：

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy', precision, recall])

自定義了損失函數(shù)focal_loss一般也在編譯階段加入：

model.compile(optimizer=Adam(lr=0.0001), loss=[focal_loss],
metrics=['accuracy',fbeta_score], )

其他的沒有特別要注意的點，直接按照原來的思路訓(xùn)練一版模型出來就好了，關(guān)鍵的地方在于加載模型這里，自定義的函數(shù)需要特殊的加載方式，不然會出現(xiàn)加載沒有自定義函數(shù)的問題：ValueError: Unknown loss function:focal_loss

解決方案：

model_name = 'test_calssification_model.h6'
model_dfcw = load_model(model_name,
            custom_objects={'focal_loss': focal_loss,'fbeta_score':fbeta_score})

注意點：將自定義的損失函數(shù)和評估函數(shù)都加入到custom_objects里，以上就是在自定義一個損失函數(shù)從編譯模型階段到加載模型階段出現(xiàn)的所有的問題。

看完這篇關(guān)于Keras如何自定義IOU的文章，如果覺得文章內(nèi)容寫得不錯的話，可以把它分享出去給更多人看到。

向AI問一下細節(jié)

免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。

AI
助
手