我试图创建一个自定义宏来计算recall = (class1的召回率 + class2的召回率)/2。我写了以下代码，但我不确定如何计算类0的真正阳性。
def unweightedRecall(): def recall(y_true, y_pred): # 类1的召回率 true_positives1 = K.sum(K.round(K.clip(y_pred * y_true, 0, 1))) possible_positives1 = K.sum(K.round(K.clip(y_true, 0, 1))) recall1 = true_positives1 / (possible_positives1 + K.epsilon()) # --- 在这里获取类0的真正阳性到true_positives0 --- # 还有，是否有更简洁的方法获取possible_positives0 possible_positives0 = K.int_shape(y_true)[0] - possible_positives1 recall0 = true_positives0 / (possible_positives0 + K.epsilon()) return (recall0 + recall1)/2 return recall看起来我需要使用Keras.backend.equal(x, y)，但我如何创建一个形状为K.int_shape(y_true)[0]且所有值为x的张量呢？
编辑1
根据Marcin的评论，我想要基于Keras的回调函数创建一个自定义指标。在浏览Keras的问题时，我发现了以下用于f1指标的代码：
class Metrics(keras.callbacks.Callback): def on_epoch_end(self, batch, logs={}): predict = np.asarray(self.model.predict(self.validation_data[0])) targ = self.validation_data[1] self.f1s=f1(targ, predict) returnmetrics = Metrics()model.fit(X_train, y_train, epochs=epochs, batch_size=batch_size, validation_data=[X_test,y_test], verbose=1, callbacks=[metrics])但回调函数是如何返回准确率的呢？我想要实现unweighted recall = (class1的召回率 + class2的召回率)/2。我想到以下代码，但希望能得到帮助来完成它
from sklearn.metrics import recall_scoreclass Metrics(keras.callbacks.Callback): def on_epoch_end(self, batch, logs={}): predict = np.asarray(self.model.predict(self.validation_data[0])) targ = self.validation_data[1] # --- 将结果存储在哪里？ --- self.XXXX=recall_score(targ, predict, average='macro') # 我们真的不需要返回任何东西吗？ returnmetrics = Metrics()model.fit(X_train, y_train, epochs=epochs, batch_size=batch_size, validation_data=[X_test,y_test], verbose=1, callbacks=[metrics])编辑2：模型：
def createModelHelper(numNeurons=40, optimizer='adam'): inputLayer = Input(shape=(data.shape[1],)) denseLayer1 = Dense(numNeurons)(inputLayer) outputLayer = Dense(1, activation='sigmoid')(denseLayer1) model = Model(input=inputLayer, output=outputLayer) model.compile(loss=unweightedRecall, optimizer=optimizer) return model回答：
keras版本（带有平均问题）。
你的两个类实际上只是一个维度的输出（0或1）吗？
如果是这样的情况：
def recall(y_true, y_pred): # 类1的召回率 # 如果你要用作损失函数，不要在这里使用"round" true_positives = K.sum(K.round(y_pred) * y_true) possible_positives = K.sum(y_true) return true_positives / (possible_positives + K.epsilon())def unweightedRecall(y_true, y_pred): return (recall(y_true,y_pred) + recall(1-y_true,1-y_pred))/2.现在，如果你的两个类实际上是2个元素的输出：
def unweightedRecall(y_true, y_pred): return (recall(y_true[:,0],y_pred[:,0]) + recall(y_true[:,1],y_pred[:,1]))/2.回调版本：
对于回调，你可以使用LambdaCallback，并手动打印或存储结果：
myCallBack = LambdaCallback(on_epoch_end=unweightedRecall)stored_metrics = []def unweightedRecall(epoch,logs): predict = model.predict(self.validation_data[0]) targ = self.validation_data[1] result = (recall(targ,predict) + recall(1-targ,1-predict))/2. print("epoch " + str(epoch) + "的召回率: " + str(result)) stored_metrics.append(result)其中recall是一个使用np而不是K的函数。并且epsilon = np.finfo(float).eps或epsilon = np.finfo(np.float32).eps)
