Python tf.estimator.add_metrics用法及代码示例

创建一个具有给定指标的新 tf.estimator.Estimator。

用法

tf.estimator.add_metrics(
    estimator, metric_fn
)

参数

estimator tf.estimator.Estimator 对象。
metric_fn
应遵循以下签名的函数：
- Args：只能以任意顺序有以下四个参数：
  - 预测：预测 Tensor 或 Tensor 的字典由给定的 estimator 创建。
  - 特征：输入由input_fn创建的Tensor对象的dict，作为参数提供给estimator.evaluate。
  - 标签：标签Tensor或input_fn创建的Tensor的字典，作为参数提供给estimator.evaluate。
  - estimator 的 config:config 属性。
  - 返回：按名称键入的度量结果的字典。最终指标是此指标和 estimator's 现有指标的联合。如果此和estimator 的现有指标之间存在名称冲突，这将覆盖现有指标。 dict 的值是调用度量函数的结果，即 (metric_tensor, update_op) 元组。

一个新的tf.estimator.Estimator，它具有原始指标与给定指标的联合。

例子：

def my_auc(labels, predictions):
    auc_metric = tf.keras.metrics.AUC(name="my_auc")
    auc_metric.update_state(y_true=labels, y_pred=predictions['logistic'])
    return {'auc':auc_metric}

  estimator = tf.estimator.DNNClassifier(...)
  estimator = tf.estimator.add_metrics(estimator, my_auc)
  estimator.train(...)
  estimator.evaluate(...)

使用特征的自定义指标的示例用法：

def my_auc(labels, predictions, features):
    auc_metric = tf.keras.metrics.AUC(name="my_auc")
    auc_metric.update_state(y_true=labels, y_pred=predictions['logistic'],
                            sample_weight=features['weight'])
    return {'auc':auc_metric}

  estimator = tf.estimator.DNNClassifier(...)
  estimator = tf.estimator.add_metrics(estimator, my_auc)
  estimator.train(...)
  estimator.evaluate(...)

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.estimator.add_metrics。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法

参数

返回

例子：