在Keras/TensorFlow中使用纯numpy度量作为度量标准

Question

我正在 Kaggle 上参加一个竞赛，评估指标被定义为

该竞赛的评估基于在不同交集联合（IoU）阈值下的平均精度。所提出的一组物体像素与一组真实物体像素的 IoU 计算如下：

              IoU(A,B)=(A∩B)/(A∪B)

该度量标准涵盖了一系列的IoU阈值，每个阈值都会计算平均精度值。阈值范围从0.5到0.95，步长为0.05：(0.5, 0.55, 0.6, 0.65, 0.7, 0.75, 0.8, 0.85, 0.9, 0.95)。换句话说，在0.5的阈值下，如果预测对象与真实对象的交并比大于0.5，则被视为“命中”。在每个阈值t下，基于真正例(TP)、假负例(FN)和假正例(FP)的数量，计算出一个精度值，用于比较预测对象与所有真实对象的结果。

                     TP(t)/TP(t)+FP(t)+FN(t).

当一个预测对象与一个IoU阈值以上的基准真实对象匹配时，就会计算为真正例。假阳性表示预测对象没有关联的基准真实对象。假阴性表示基准真实对象没有相关的预测对象。然后，单个图像的平均精度是通过计算每个IoU阈值处的上述精度值的平均值来计算的：

           (1/|thresholds|)*∑tTP(t)/TP(t)+FP(t)+FN(t)

现在，我已经使用纯numpy编写了这个函数，因为在那里编码更容易，并且我已经用tf.py_fucn()修饰它，以便与Keras一起使用。以下是示例代码：

def iou_metric(y_true_in, y_pred_in, fix_zero=False):
    labels = y_true_in
    y_pred = y_pred_in

    true_objects = 2
    pred_objects = 2

    if fix_zero:
        if np.sum(y_true_in) == 0:
            return 1 if np.sum(y_pred_in) == 0 else 0

    intersection = np.histogram2d(labels.flatten(), y_pred.flatten(), bins=(true_objects, pred_objects))[0]

    # Compute areas (needed for finding the union between all objects)
    area_true = np.histogram(labels, bins = true_objects)[0]
    area_pred = np.histogram(y_pred, bins = pred_objects)[0]
    area_true = np.expand_dims(area_true, -1)
    area_pred = np.expand_dims(area_pred, 0)

    # Compute union
    union = area_true + area_pred - intersection

    # Exclude background from the analysis
    intersection = intersection[1:,1:]
    union = union[1:,1:]
    union[union == 0] = 1e-9

    # Compute the intersection over union
    iou = intersection / union

    # Precision helper function
    def precision_at(threshold, iou):
        matches = iou > threshold
        true_positives = np.sum(matches, axis=1) == 1   # Correct objects
        false_positives = np.sum(matches, axis=0) == 0  # Missed objects
        false_negatives = np.sum(matches, axis=1) == 0  # Extra objects
        tp, fp, fn = np.sum(true_positives), np.sum(false_positives), np.sum(false_negatives)
        return tp, fp, fn

    # Loop over IoU thresholds
    prec = []

    for t in np.arange(0.5, 1.0, 0.05):
        tp, fp, fn = precision_at(t, iou)
        if (tp + fp + fn) > 0:
            p = tp / (tp + fp + fn)
        else:
            p = 0
        prec.append(p)

    return np.mean(prec)

我试图将它转换为纯的tf函数，但由于我无法弄清楚控制依赖关系的工作原理，所以无法完成。有人可以帮助我吗？

- mlRocks

---

你考虑过使用 pyfunc 吗？ - Jonas Adler

我目前仅使用tf.py_func()。 - enterML

在您的特定用例中，您可以使用tensorflow的实现：tf.metrics.mean_iou。 - Zaccharie Ramzi

Answer 1

要使用您的函数，您需要将张量和numpy数组相互转换。 将张量转换为numpy数组，请使用tf.eval（请参见此处）：

np_array = tensor.eval()

如果您想将一个Python对象（也包括numpy数组）转换为张量，可以使用tf.convert_to_tensor（请参见此处）：

tensor = tf.convert_to_tensor(np.mean(prec),dtype=tf.float32)

- Simdi