在tensorflow中使用metric.Mean()

Question

我正在阅读Google中的tensorflow教程，并按照本教程在下面链接中指定的内容运行所有内容：

walkthrough

我正在运行以下代码：

## Note: Rerunning this cell uses the same model variables

# keep results for plotting
train_loss_results = []
train_accuracy_results = []

num_epochs = 201

for epoch in range(num_epochs):
  epoch_loss_avg = tf.metrics.Mean()
  epoch_accuracy = tf.metrics.Accuracy()

  # Training loop - using batches of 32
  for x, y in train_dataset:
    # Optimize the model
    loss_value, grads = grad(model, x, y)
    optimizer.apply_gradients(zip(grads, model.variables),
                              global_step)

    # Track progress
    epoch_loss_avg(loss_value)  # add current batch loss
    # compare predicted label to actual label
    epoch_accuracy(tf.argmax(model(x), axis=1, output_type=tf.int32), y)

  # end epoch
  train_loss_results.append(epoch_loss_avg.result())
  train_accuracy_results.append(epoch_accuracy.result())

  if epoch % 50 == 0:
    print("Epoch {:03d}: Loss: {:.3f}, Accuracy: {:.3%}".format(epoch,
                                                                epoch_loss_avg.result(),
                                                                epoch_accuracy.result()))

但是，当我运行它时，我会得到以下错误：

AttributeError: module 'tensorflow._api.v1.metrics' has no attribute 'Mean'

据我所知，他们试图在代码中将tf.metrics.Mean()的函数分配给epoch_loss_avg，然后在epoch_loss_avg(loss_value)中进一步应用它。因此，我在想，自从编写本教程以来，Tensorflow中可能发生了一些变化，因此我尝试将其改写如下：

## Note: Rerunning this cell uses the same model variables

# Keep results for plotting
train_loss_results = []
train_accuracy_result = []

num_epochs = 201

for epoch in range(num_epochs):
  #epoch_loss_avg = tf.metrics.Mean()
  #epoch_accuracy = tf.metrics.Accuracy()

  # Training loop - using batches of 32
  for x, y in train_dataset:
    # Optimize the model
    loss_value, grads = grad(model, x, y)
    optimizer.apply_gradients(zip(grads, model.variables),
                             global_step)

    # Track progress
    mean_temp = tf.metrics.mean(loss_value) # Add current batch loss
    # Compare the predicted label to actual label
    acc_temp = tf.metrics.accuracy(tf.argmax(model(x), axis = 1, output_type = tf.int32), y)

  # End epoch
  train_loss_results.append(mean_temp)
  train_accuracy_results.append(acc_temp)

  if epoch % 50 == 0:
    print("Epoch {:03d}: Loss: {:,3f}, Accuracy: {:.3f}".format(epoch,
                                                               epoch_loss_avg.result(),
                                                               epoch_accuracy.result()))

函数直接运行的地方，但现在我收到了另一条错误消息：

RuntimeError: tf.metrics.mean is not supported when eager execution is enabled.

因此，我的问题是，是否有另一种方法来写出同样的结果，我对正在发生的事情的解释是正确的，如果不是，是怎么回事？

谢谢

Answer 1

为了执行急切的执行，您需要将tf.metrics.Mean和tf.metrics.Accuracy更改为：

epoch_loss_avg = tf.contrib.eager.metrics.Mean()
epoch_accuracy = tf.contrib.eager.metrics.Accuracy()

也可以通过tf.Variable：

global_step = tf.contrib.eager.Variable(0)

据我所知，他们试图在代码中将tf.metrics.Mean()的函数分配给epoch_loss_avg，然后在epoch_loss_avg(loss_value)中进一步应用它。

是的，在行epoch_loss_avg = tf.metrics.Mean()中，它们创建计算平均值的操作，然后在行epoch_loss_avg(loss_value)中的批中累积损失。因此，在时代结束时，考虑到数据集中的所有批次，我们将有一个平均损失，这将导致该时期的损失(行epoch_loss_avg.result())。

关于第二个错误:如您所见，如果启用了紧急执行，tf.metrics.mean将引发一个RuntimeError。您需要使用tf.contrib.eager.metrics代替。