Python新手构建ROC曲线遇多类报错，请求代码修正

看起来你在使用自编码器构建ROC曲线时，混淆了自编码器的输出特性和ROC曲线的输入要求，这是新手很容易踩的坑～让我一步步帮你理清问题并修正代码：

核心错误原因 #

你的自编码器是图像重构模型，输出decoded_imgs的形状是(样本数, 256, 256, 3)，和输入图像维度一致。但ROC曲线要求的是每个样本对应一个数值型得分（比如分类概率、重构误差），而你直接对decoded_imgs做argmax(axis=1)得到的是每个像素维度的索引，完全不符合ROC的输入要求，这就是你遇到各种形状不匹配错误的根源。

正确的解决思路 #

自编码器做ROC曲线（通常用于异常检测或分类任务），应该用每个样本的重构误差作为得分：

• 正常样本的重构误差小，异常样本的重构误差大（异常检测场景）
• 或者用误差来区分不同类别的样本（分类场景）

具体步骤：

1. 计算每个测试样本的重构误差（比如MSE或MAE，把三维图像压缩成一个数值）
2. 确保真实标签Y_test是一维数组（每个样本对应一个类别/异常标签）
3. 用这两个一维数组调用roc_curve

修正后的完整代码 #

替换你原代码中ROC曲线相关的部分，完整修正代码如下：

import keras
import numpy as np
from keras.datasets import mnist
from get_dataset import get_dataset
from stack import keras_model
X_train, X_test, Y_train, Y_test = get_dataset()
from keras.layers import Input, Conv2D, MaxPooling2D, UpSampling2D, Dense
from keras.models import Model
input_img = Input(shape=(256, 256, 3))
x = Conv2D(32, (3, 3), activation='relu', padding='same')(input_img)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(64, (3, 3), activation='relu', padding='same')(x)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(64, (3, 3), activation='relu', padding='same')(x)
encoded = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(64, (3, 3), activation='relu', padding='same')(encoded)
x = UpSampling2D((2, 2))(x)
x = Conv2D(64, (3, 3), activation='relu', padding='same')(x)
x = UpSampling2D((2, 2))(x)
x = Conv2D(32, (3, 3), activation='relu', padding='same')(x)
x = UpSampling2D((2, 2))(x)
decoded = Conv2D(3, (3, 3), activation='sigmoid', padding='same')(x)
autoencoder = Model(input_img, decoded)
autoencoder.compile(optimizer='rmsprop', loss='mae',metrics=['mse', 'accuracy'])
from keras.callbacks import ModelCheckpoint, TensorBoard
checkpoints = []
from keras.preprocessing.image import ImageDataGenerator
generated_data = ImageDataGenerator(featurewise_center=False, samplewise_center=False, featurewise_std_normalization=False, samplewise_std_normalization=False, zca_whitening=False, rotation_range=0, width_shift_range=0.1, height_shift_range=0.1, horizontal_flip = True, vertical_flip = False)
generated_data.fit(X_train)
epochs = 1
batch_size = 5
autoencoder.fit_generator(generated_data.flow(X_train, X_train, batch_size=batch_size), steps_per_epoch=X_train.shape[0]/batch_size, epochs=epochs, validation_data=(X_test, X_test), callbacks=[TensorBoard(log_dir='/tmp/autoencoder')])
autoencoder.fit(X_train, X_train, batch_size=batch_size, epochs=epochs, validation_data=(X_test, X_test), shuffle=True, callbacks=[TensorBoard(log_dir='/tmp/auti')])
decoded_imgs = autoencoder.predict(X_test)
from sklearn.metrics import roc_curve

# ------------------- 修正部分开始 -------------------
# 计算每个样本的重构MSE误差：将三维图像压缩为单个数值
reconstruction_errors = np.mean(np.square(X_test - decoded_imgs), axis=(1,2,3))

# 确保Y_test是一维标签数组（如果是one-hot编码，用argmax转成类别索引）
y_true = Y_test.argmax(axis=1)

# 现在调用roc_curve，两个输入都是一维数组，形状匹配
fpr_keras, tpr_keras, thresholds_keras = roc_curve(y_true, reconstruction_errors)
# ------------------- 修正部分结束 -------------------

# 可选：打印验证形状是否匹配
print(f"y_true形状: {y_true.shape}")
print(f"重构误差形状: {reconstruction_errors.shape}")

额外说明 #

• 如果你的任务是异常检测，Y_test应该是0（正常）/1（异常）的标签，重构误差越大代表越可能是异常，这时候ROC曲线可以有效区分正常和异常样本。
• 如果是多分类任务，你可能需要针对每个类别做One-vs-Rest的ROC曲线，或者考虑改用带分类头的自编码器（在编码层后加Dense分类层）。

内容的提问来源于stack exchange，提问作者Guizmo Charo