我有一个用于计算两个数组（y_pred和y_actual）比较的负预测值的代码：

def npv(y_pred, y_actual):    tn = 0    fn = 0    negative_value = 1    for i in range(0,len(y_actual)):        if(y_pred[i] == negative_value):            if(y_pred[i] == y_actual[i]):                tn += 1            else:                fn += 1    result = tn / (tn + fn)    return result

但我想用张量实现它，以便在Python中使用Keras深度学习循环神经网络时用作自定义指标。

我该怎么做呢？

回答：

我尝试使用简单的Tensorflow编写指标。它设计用于二分类任务

def npv(y_actual, y_pred):    negative_value = 1.    if y_pred.shape[-1]==2: # 最后一层激活函数：二分类时的softmax        y_actual = tf.cast(tf.argmax(y_actual, -1), tf.float32) # 获取真实类别        y_pred = tf.cast(tf.argmax(y_pred, -1), tf.float32) # 获取预测类别    else: # 最后一层激活函数：二分类时的sigmoid        y_pred = tf.round(y_pred) # 四舍五入概率     # 如果（y_pred == negative_value）并且（y_pred == negative_value）    tn = tf.reduce_sum(tf.cast(tf.logical_and(tf.equal(y_pred, negative_value),                                               tf.equal(y_pred, y_actual)), tf.float32))    # 如果（y_pred == negative_value）并且（y_pred != negative_value）    fn = tf.reduce_sum(tf.cast(tf.logical_and(tf.equal(y_pred, negative_value),                                               tf.not_equal(y_pred, y_actual)), tf.float32))    result = tn / ((tn + fn) + K.epsilon()) # 添加epsilon以避免NaN    return result

这是一个二分类任务的示例

X = np.random.uniform(0,1, (100,3))y = np.random.randint(0,2, 100)inp = Input((3))x = Dense(10, activation='relu')(inp)x = Dense(1, activation='sigmoid')(x)model = Model(inp, x)model.compile('adam', 'binary_crossentropy', metrics=npv)model.fit(X,y, epochs=10)