web-dev-qa-db-ja.com

TypeError：Tensorflowでカスタム指標を使用すると、タイプ「Tensor」のオブジェクトにlen（）がありません

TensorflowバックエンドでKerasを使用して、マルチクラス分類問題（4クラス）のモデルを開発しています。 y_testの値は2D形式です。

0 1 0 0
0 0 1 0
0 0 1 0

これは、バランスの取れた精度を計算するために使用する関数です。

def my_metric(targ, predict):
    val_predict = predict
    val_targ = tf.math.argmax(targ, axis=1)
    return metrics.balanced_accuracy_score(val_targ, val_predict)

そしてこれがモデルです：

hidden_neurons = 50
timestamps = 20
nb_features = 18

model = Sequential()

model.add(LSTM(
                units=hidden_neurons,
                return_sequences=True, 
                input_shape=(timestamps,nb_features),
                dropout=0.15
                #recurrent_dropout=0.2
              )
         )

model.add(TimeDistributed(Dense(units=round(timestamps/2),activation='sigmoid')))

model.add(Dense(units=hidden_neurons,
               activation='sigmoid'))


model.add(Flatten())

model.add(Dense(units=nb_classes,
               activation='softmax'))

model.compile(loss="categorical_crossentropy",
              metrics = [my_metric],
              optimizer='adadelta')

このコードを実行すると、次のエラーが発生します。

-------------------------------------------------- ------------------------- TypeErrorトレースバック（最新の呼び出しが最後）（）30 model.compile（loss = "categorical_crossentropy"、31メトリック= [my_metric]、＃ 'accuracy'、---> 32 optimizer = 'adadelta'）

〜/ anaconda3/lib/python3.6/site-packages/keras/engine/training.py in compile（self、optimizer、loss、metrics、loss_weights、sample_weight_mode、weighted_metrics、target_tensors、** kwargs）449 output_metrics = nested_metrics [i ] 450 output_weighted_metrics = nested_weighted_metrics [i]-> 451 handle_metrics（output_metrics）452 handle_metrics（output_weighted_metrics、weights = weights）453

〜/ anaconda3/lib/python3.6/site-packages/keras/engine/training.py in handle_metrics（metrics、weights）418 metric_result = weighted_metric_fn（y_true、y_pred、419 weights = weights、-> 420 mask = masks [ i]）421 422＃self.metrics_names、self.metric_tensorsに追加、

〜/ anaconda3/lib/python3.6/site-packages/keras/engine/training_utils.py in weighted（y_true、y_pred、weights、mask）402 "" "403＃score_array has ndim> = 2-> 404 score_array = fn（y_true、y_pred）405マスクがNoneでない場合：406＃Theanoでfloat64アップキャストを回避するためにマスクをfloatXにキャストします

in my_metric（targ、predict）22 val_predict = predict 23 val_targ = tf.math.argmax（targ、axis = 1）---> 24 return metrics.balanced_accuracy_score（val_targ、val_predict）25 #return 5 26

〜/ anaconda3/lib/python3.6/site-packages/sklearn/metrics/classification.py in balance_accuracy_score（y_true、y_pred、sample_weight、Adjusted）
1431 1432 "" "-> 1433 C = confusion_matrix（y_true、y_pred、sample_weight = sample_weight）1434 with np.errstate（divide = 'ignore'、invalid = 'ignore'）：1435
per_class = np.diag（C）/ C.sum（axis = 1）

〜/ anaconda3/lib/python3.6/site-packages/sklearn/metrics/classification.py in confusion_matrix（y_true、y_pred、labels、sample_weight）251 252 "" "-> 253 y_type、y_true、y_pred = _check_targets（y_true 、y_pred）254 if y_type not in（ "binary"、 "multiclass"）：255 raise ValueError（ "％s is not supported"％y_type）

〜/ anaconda3/lib/python3.6/site-packages/sklearn/metrics/classification.py in _check_targets（y_true、y_pred）69 y_pred：array or indicator matrix 70 "" "---> 71 check_consistent_length（y_true、y_pred） 72 type_true = type_of_target（y_true）73 type_pred = type_of_target（y_pred）

〜/ anaconda3/lib/python3.6/site-packages/sklearn/utils/validation.py in check_consistent_length（* arrays）229 "" "230-> 231 lengths = [_num_samples（X）for X in array in X if Xなし] 232一意= np.unique（長さ）233 len（一意）> 1の場合：

〜/ anaconda3/lib/python3.6/site-packages/sklearn/utils/validation.py in（.0）229 "" "230-> 231 lengths = [_num_samples（X）for X in array in X is not ifなし] 232 uniques = np.unique（lengths）233 len（uniques）> 1の場合：

〜/ anaconda3/lib/python3.6/site-packages/sklearn/utils/validation.py in _num_samples（x）146 return x.shape [0] 147 else：-> 148 return len（x）149 else：150 len（x）を返す

TypeError：タイプ「Tensor」のオブジェクトにはlen（）がありません

pythontensorflowmachine-learningkerasscikit-learn
3
ScalaBoy

Kerasテンソルでsklearn関数を呼び出すことはできません。 Kerasのバックエンド関数、またはTFバックエンドを使用している場合はTensorFlow関数を使用して、機能を自分で実装する必要があります。

balanced_accuracy_scoreが定義されている リコールの平均として 各列で取得されます。精度と再現率の実装について このリンク を確認してください。 balanced_accuracy_score、次のように実装できます。

import keras.backend as K

def balanced_recall(y_true, y_pred):
    """
    Computes the average per-column recall metric
    for a multi-class classification problem
    """ 
    true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)), axis=0)  
    possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)), axis=0)   
    recall = true_positives / (possible_positives + K.epsilon())    
    balanced_recall = K.mean(recall)
    return balanced_recall
6
sdcbr