如何定义/修改非分类CNN的精度？Keras回归模型相关问题

一、自定义精度指标（±0.05范围内判定为正确） #

原模型使用的accuracy是分类任务专属指标，要求预测值与真实值完全匹配才判定正确，完全不适合你的连续值回归场景。我们需要自定义一个符合需求的精度计算函数：

import tensorflow as tf

def custom_accuracy(y_true, y_pred):
    # 计算预测值与真实值的绝对误差
    abs_error = tf.abs(y_true - y_pred)
    # 统计误差≤0.05的样本占比，即为自定义精度
    return tf.reduce_mean(tf.cast(abs_error <= 0.05, tf.float32))

之后在模型编译时替换原有的accuracy指标：

model.compile(optimizer='adam',
              # 注意：你的任务是回归，推荐用MSE/MAE替代二分类的BinaryCrossentropy
              loss=tf.keras.losses.MeanSquaredError(),
              metrics=[custom_accuracy])

二、对CNN输出进行四舍五入处理 #

提供两种实现方式，按需选择：

方式1：在模型结构中添加Lambda层 #

直接让模型输出就是四舍五入后的结果，无需额外后处理：

def networkModel():
    model = tf.keras.Sequential([
        tf.keras.layers.Conv2D(filters=16, kernel_size=(2, 2), activation='relu', padding='same'),
        tf.keras.layers.Conv2D(filters=9, kernel_size=(2, 2), activation='relu', padding='same'),
        tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(256, activation='relu'),
        tf.keras.layers.Dense(1, activation='sigmoid'),
        # 四舍五入到两位小数
        tf.keras.layers.Lambda(lambda x: tf.round(x * 100) / 100)
    ])

    model.compile(optimizer='adam',
                  loss=tf.keras.losses.MeanSquaredError(),
                  metrics=[custom_accuracy])

    return model

方式2：预测后手动处理结果 #

如果不想修改模型结构，可在得到预测值后再处理：

# 假设model为训练好的模型，x_test为测试输入
predictions = model.predict(x_test)
# 四舍五入到两位小数
rounded_predictions = tf.round(predictions * 100) / 100

完整修改后的代码示例 #

import tensorflow as tf

def custom_accuracy(y_true, y_pred):
    abs_error = tf.abs(y_true - y_pred)
    return tf.reduce_mean(tf.cast(abs_error <= 0.05, tf.float32))

def networkModel():
    model = tf.keras.Sequential([
        tf.keras.layers.Conv2D(filters=16, kernel_size=(2, 2), activation='relu', padding='same'),
        tf.keras.layers.Conv2D(filters=9, kernel_size=(2, 2), activation='relu', padding='same'),
        tf.keras.layers.MaxPooling2D(pool_size=(2, 2)),
        tf.keras.layers.Flatten(),
        tf.keras.layers.Dense(256, activation='relu'),
        tf.keras.layers.Dense(1, activation='sigmoid'),
        tf.keras.layers.Lambda(lambda x: tf.round(x * 100) / 100)
    ])

    model.compile(optimizer='adam',
                  loss=tf.keras.losses.MeanSquaredError(),
                  metrics=[custom_accuracy])

    return model

内容的提问来源于stack exchange，提问作者Teresa Wan