TensorFlow上手（三）

在前两篇文章中，我们介绍tf的一些基础概念以及模型运算的基本流程，现在我们进一步学习tf.今天主要有以下学习目标：

• 自定义（损失函数+评估指标）

• 多个输入输出模型

• 回调函数

传送门：TensorFlow上手（一）TensorFlow上手（二）

自定义损失和指标

• 自定义损失函数

keras允许我们在complie方法里面传入自定义的损失函数：

def get_uncompiled_model():
    inputs = keras.Input(shape=(784,), name="digits")
    x = layers.Dense(64, activation="relu", name="dense_1")(inputs)
    x = layers.Dense(64, activation="relu", name="dense_2")(x)
    outputs = layers.Dense(10, activation="softmax", name="predictions")(x)
    model = keras.Model(inputs=inputs, outputs=outputs)
    return model


def custom_mean_squared_error(y_true, y_pred):
    return tf.math.reduce_mean(tf.square(y_true - y_pred))


model = get_uncompiled_model()
model.compile(optimizer=keras.optimizers.Adam(), loss=custom_mean_squared_error)

• 自定义评估指标
  

同样，也允许传入自定义的评估指标，它要继承keras.metrics.Metric。下面的例子实现了计算多少个正样本的评估指标：

class CategoricalTruePositives(keras.metrics.Metric):
    def __init__(self, name="categorical_true_positives", **kwargs):
        super(CategoricalTruePositives, self).__init__(name=name, **kwargs)
        self.true_positives = self.add_weight(name="ctp", initializer="zeros")

    def update_state(self, y_true, y_pred, sample_weight=None):
        y_pred = tf.reshape(tf.argmax(y_pred, axis=1), shape=(-1, 1))
        values = tf.cast(y_true, "int32") == tf.cast(y_pred, "int32")
        values = tf.cast(values, "float32")
        if sample_weight is not None:
            sample_weight = tf.cast(sample_weight, "float32")
            values = tf.multiply(values, sample_weight)
        self.true_positives.assign_add(tf.reduce_sum(values))

    def result(self):
        return self.true_positives

    def reset_states(self):
        # The state of the metric will be reset at the start of each epoch.
        self.true_positives.assign(0.0)


model = get_uncompiled_model()
model.compile(
    optimizer=keras.optimizers.RMSprop(learning_rate=1e-3),
    loss=keras.losses.SparseCategoricalCrossentropy(),
    metrics=[CategoricalTruePositives()],
)

自定义指标实现过程依赖四个方法：

1. __init__(self)，为指标创建状态变量

2. update_state(self)，使用目标 y_true 和模型预测 y_pred 更新状态变量

3. result(self)，使用状态变量来计算最终结果

4. reset_states(self)，在下一次迭代中，重新初始化指标的状态

上面代码中，self.add_weight表示增加一个