我使用生成器来训练和预测我的数据分类。下面是ImageDataGenerator的一个示例
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,当我使用fit_generator
时,如何创建AUC and ROC?在
我认为在这种情况下,最好的办法是将AUC定义为一个新的指标。为此,您必须在tensorflow中定义度量(我假设您使用的是tensorflow后端)。在
我以前曾尝试过一种方法(但是,我不记得我测试过结果的正确性)如下:
然后在编译模型时定义度量:
^{pr2}$虽然这会给出一些数字,但我还没有弄清楚这些数字是否正确。如果你能测试这个,并且它给出了正确的结果,或者没有,请告诉我,我会很感兴趣的。在
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,然后可以从那里调用sklearn
roc_auc_score
,并打印出来或保存到日志中。在但是,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的数据与模型的拟合生成器相同。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,这与提供给fit_generator
的相同。在相关问题 更多 >
编程相关推荐