小编Dia*_*.95的帖子

我是 Tensorflow 领域的新手，正在研究 mnist 数据集分类的简单示例。我想知道除了准确性和损失（并可能显示它们）之外，如何获得其他指标（例如精度、召回率等）。这是我的代码：

from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
from tensorflow.keras.callbacks import ModelCheckpoint
from tensorflow.keras.callbacks import TensorBoard
import os 

#load mnist dataset
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

#create and compile the model
model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)), 
  tf.keras.layers.Dense(128, activation='relu'), 
  tf.keras.layers.Dropout(0.2), 
  tf.keras.layers.Dense(10, activation='softmax') 
])
model.summary()

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

#model checkpoint (only if there is an improvement)

checkpoint_path = "logs/weights-improvement-{epoch:02d}-{accuracy:.2f}.hdf5"

cp_callback = ModelCheckpoint(checkpoint_path, monitor='accuracy',save_best_only=True,verbose=1, mode='max')

#Tensorboard
NAME = "tensorboard_{}".format(int(time.time())) #name of …

我正在研究带有图像和文本的多模式分类器。我已经成功开发了两个模型，一个是用于图像的 CNN，另一个是基于 BERT 的文本模型。两个模型的最后一层都是具有n 个单元和softmax激活的 Dense （其中 n 是类数）。Keras 提供了不同的合并层来组合这些模型的输出向量（https://keras.io/api/layers/merging_layers/），然后可以创建一个新的网络，但我的问题是：有没有更好的方法结合单个模型的决策？也许根据某种标准对向量内的值进行加权？目前我已经使用一个简单的串联层开发了我的模型，如下所示：

image_side = images_model(image_input)
text_side = text_model(text_input)
# Concatenation
merged = layers.Concatenate(name='Concatenation')([image_side, text_side])
merged = layers.Dense(128, activation = 'relu', name='Dense_128')(merged)
merged = layers.Dropout(0.2)(merged)
output = layers.Dense(nClasses, activation='softmax', name = "class")(merged)

先感谢您！