在使用 fit_generator 和 evaluate_generator 训练网络时，如何绘制 AUC 和 ROC？

我正在使用生成器来训练和预测数据的分类。这是一个例子图像数据生成器 https://blog.keras.io/building-powerful-image-classification-models-using-very-little-data.html

from keras.preprocessing.image import ImageDataGenerator

batch_size = 16

train_datagen = ImageDataGenerator(
        rescale=1./255,
        shear_range=0.2,
        zoom_range=0.2,
        horizontal_flip=True)

test_datagen = ImageDataGenerator(rescale=1./255)


train_generator = train_datagen.flow_from_directory(
        'data/train',  # this is the target directory
        target_size=(150, 150),  
        batch_size=batch_size,
        class_mode='binary') 

validation_generator = test_datagen.flow_from_directory(
        'data/validation',
        target_size=(150, 150),
        batch_size=batch_size,
        class_mode='binary')
       

model.fit_generator(
        train_generator,
        steps_per_epoch=2000 // batch_size,
        epochs=50,
        validation_data=validation_generator,
        validation_steps=800 // batch_size)
model.save_weights('first_try.h5')  # always save your weights after training or during training

我的问题如何创建AUC 和 ROC https://hackernoon.com/simple-guide-on-how-to-generate-roc-plot-for-keras-classifier-2ecc6c73115a当我使用fit_generator?

我认为在这种情况下最好的选择是将 AUC 定义为一个新指标。为此，您必须在张量流中定义度量（我假设您正在使用张量流后端）。

我以前尝试过的一种方法（但是，我不记得我测试过它的结果的正确性）是这样的：

def as_keras_metric(method):
    """
    This is taken from:
    https://stackoverflow.com/questions/45947351/how-to-use-tensorflow-metrics-in-keras/50527423#50527423
    """
    @functools.wraps(method)
    def wrapper(*args, **kwargs):
        """ Wrapper for turning tensorflow metrics into keras metrics """
        value, update_op = method(*args, **kwargs)
        tf.keras.backend.get_session().run(tf.local_variables_initializer())
        with tf.control_dependencies([update_op]):
            value = tf.identity(value)
        return value
    return wrapper

然后在编译模型时定义指标：

model.compile(metrics=['accuracy', as_keras_metric(tf.metrics.auc)], optimizer='adam', loss='categorical_crossentropy')

虽然这给出了数字，但我还没有确定它们是否正确。如果您能够对此进行测试，并且给出正确的结果，或者不正确，请告诉我，我有兴趣找出答案。

解决这个问题的第二种方法是使用回调类 https://keras.io/callbacks/#callback并至少定义on_epoch_end函数，然后你可以调用sklearn roc_auc_score从那里打印出来或保存到日志中。

但是，到目前为止我发现，您需要通过以下方式为其提供训练数据：__init__，因此对于生成器，您需要确保回调的生成器提供与模型的拟合生成器相同的数据。另一方面，对于验证生成器，可以使用回调类来访问它self.validation_data，与提供给的相同fit_generator.