python - keras中model.compile的参数 'weighted_metrics'和model.fit_generator的参数 'class_weight'之间的区别？

Question

在训练用于图像分类的 keras 模型(来自 DOG BREED IDENTIFICATION 数据集的 120 个类，KAGGLE)时，我需要使用我在某处读到的类权重来平衡类，在示例中我看到人们使用 fit_generator 的参数 class_weight。但我在 model.compile 中发现了另一个参数，weighted_metrics，其在文档中的描述是:“在训练和测试期间由sample_weight或class_weight评估和加权的指标列表”。我要用这个吗？请举例说明该参数的用途。

#Calculating Class weights
counter = Counter(train_generator.classes)
max_value = float(max(counter.values()))

CLASS_WEIGHTS = {classid: max_value / num_occurences
                 for classid, num_occurences in counter.items()}
# Model Compile
model.compile(optimizer=Adam(lr=LR),
              loss=categorical_crossentropy,
              metrics=[categorical_accuracy],
              weighted_metrics=None) # <--------------- This parameter

STEPS_PER_EPOCH = train_generator.n//train_generator.batch_size
VAL_STEPS = val_generator.n//val_generator.batch_size

model.fit_generator(train_generator,
                    steps_per_epoch=STEPS_PER_EPOCH,
                    epochs=EPOCHS,
                    callbacks=callback_list,
                    verbose=1,
                    class_weight=CLASS_WEIGHTS,
                    validation_data=val_generator,
                    validation_steps=VAL_STEPS) # USED CLASS_WEIGHTS HERE

Answer 1

是的，您可以将它们用于不平衡的数据集。

weighted_metrics

是考虑到的指标列表

class_weights

您传入 fit_generator。

因此在您的示例中，您可以设置

weighted_metrics=['accuracy']

和

class_weight = {0:3, 1:4}

weighted_metrics 参数的目的是提供一个指标列表，该列表将考虑您在 fit_generator 中传递的 class_weights。