tensorflow tf.metrics

Question

我有一些关于tensorflow指标(tf.metrics)的问题。有一些指标可用，如准确性、精确度、false_positives等。

根据API精度等至少需要两个参数：

precision("ground truth values", "predicted values")

在"session.run“之后，我有一个带有一些张量的结果字典，请看下面的图片

result dict

detection boxes

groundtruth box

detection scores

如何使用这些值来计算精度、精度、false_positive等？

我尝试了以下几种方法：

prec = tf.metrics.precision(result_dict['groundtruth_boxes'],  result_dict['detection_boxes'][0])

但我得到以下错误：

ValueError: Can not squeeze dim[1], expected a dimension of 1, got 4 for 'precision/remove_squeezable_dimensions/Squeeze' (op: 'Squeeze') with input shapes: [1,4].

无论如何，我的尝试是没有意义的，因为为了计算精度，“真阳性”和“假阳性”是必要的。

Answer 1

首先，tf.metrics主要用于计算多个批次的运行指标。因为它们需要在sess.run()调用中保持状态，所以它们并不像一些人想象的那么简单。这里有一篇很好的文章解释了它们是如何工作的：http://ronny.rest/blog/post_2017_09_11_tf_metrics/

对于你的问题，tf.metrics.precision的参数必须(有效地)是布尔张量。您不能直接馈送边界框。例如，下面的代码将打印1.0

prediction = tf.constant([1., 1., 2., 2.])
label = tf.constant([1., 1., 3., 3.])
precision, update_op = tf.metrics.precision(label, prediction)

with tf.Session() as sess:
  sess.run(tf.local_variables_initializer())
  sess.run(update_op)
  print sess.run(precision)

因为2和3都是非零的。

您需要自己比较边界框(例如，对每个框执行tf.reduce_all(tf.equal(expected_box, predicted_box)))，以便每个框都有一个True/False标量。所有这些放入向量中的标量都会成为tf.metrics.precision的predictions参数。labels参数将是与predictions大小相同的True张量。