CNN keras中图像的混淆矩阵

Question

我已经使用 keras 训练了我的 CNN 模型（多类分类），现在我想在我的测试图像集上评估模型。

除了准确性、精确度和召回率之外，评估我的模型的可能选项有哪些？我知道如何从自定义脚本中获得精确度和召回率。但是我找不到一种方法来获取我的 12 类 图像 的混淆矩阵。 Scikit-learn 展示了一种 方法，但不适用于图像。我正在使用 model.fit_generator ()

有没有办法为我的所有课程创建混淆矩阵或找到我的课程的分类置信度？我使用的是 Google Colab，但我可以下载模型并在本地运行。

任何帮助，将不胜感激。

代码：

 train_data_path = 'dataset_cfps/train'
validation_data_path = 'dataset_cfps/validation'

#Parametres
img_width, img_height = 224, 224

vggface = VGGFace(model='resnet50', include_top=False, input_shape=(img_width, img_height, 3))

#vgg_model = VGGFace(include_top=False, input_shape=(224, 224, 3))

last_layer = vggface.get_layer('avg_pool').output
x = Flatten(name='flatten')(last_layer)
xx = Dense(256, activation = 'sigmoid')(x)
x1 = BatchNormalization()(xx)
x2 = Dropout(0.3)(x1)
y = Dense(256, activation = 'sigmoid')(x2)
yy = BatchNormalization()(y)
y1 = Dropout(0.6)(yy)
x3 = Dense(12, activation='sigmoid', name='classifier')(y1)

custom_vgg_model = Model(vggface.input, x3)

# Create the model
model = models.Sequential()

# Add the convolutional base model
model.add(custom_vgg_model)

model.summary()
#model = load_model('facenet_resnet_lr3_SGD_sameas1.h5')

def recall(y_true, y_pred):
     true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
     possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)))
     recall = true_positives / (possible_positives + K.epsilon())
     return recall

def precision(y_true, y_pred):
    true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
    predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))
    precision = true_positives / (predicted_positives + K.epsilon())
    return precision

train_datagen = ImageDataGenerator(
      rescale=1./255,
      rotation_range=20,
      width_shift_range=0.2,
      height_shift_range=0.2,
      horizontal_flip=True,
      fill_mode='nearest')

validation_datagen = ImageDataGenerator(rescale=1./255)

# Change the batchsize according to your system RAM
train_batchsize = 32
val_batchsize = 32

train_generator = train_datagen.flow_from_directory(
        train_data_path,
        target_size=(img_width, img_height),
        batch_size=train_batchsize,
        class_mode='categorical')

validation_generator = validation_datagen.flow_from_directory(
        validation_data_path,
        target_size=(img_width, img_height),
        batch_size=val_batchsize,
        class_mode='categorical',
        shuffle=True)

# Compile the model
model.compile(loss='categorical_crossentropy',
              optimizer=optimizers.SGD(lr=1e-3),
              metrics=['acc', recall, precision])
# Train the model
history = model.fit_generator(
      train_generator,
      steps_per_epoch=train_generator.samples/train_generator.batch_size ,
      epochs=100,
      validation_data=validation_generator,
      validation_steps=validation_generator.samples/validation_generator.batch_size,
      verbose=1)

# Save the model
model.save('facenet_resnet_lr3_SGD_new_FC.h5')

原文由 Abhishek Singh 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

以下是获取所有类的混淆矩阵（或者可能是使用 scikit-learn 的统计数据）的方法：

1.预测类

test_generator = ImageDataGenerator()
test_data_generator = test_generator.flow_from_directory(
    test_data_path, # Put your path here
     target_size=(img_width, img_height),
    batch_size=32,
    shuffle=False)
test_steps_per_epoch = numpy.math.ceil(test_data_generator.samples / test_data_generator.batch_size)

predictions = model.predict_generator(test_data_generator, steps=test_steps_per_epoch)
# Get most likely class
predicted_classes = numpy.argmax(predictions, axis=1)

2.获取真实类别和类别标签

true_classes = test_data_generator.classes
class_labels = list(test_data_generator.class_indices.keys())

3.使用scikit-learn获取统计信息

report = metrics.classification_report(true_classes, predicted_classes, target_names=class_labels)
print(report)

你可以 在这里 阅读更多

编辑：如果以上方法不起作用，请观看此视频 Create confusion matrix for predictions from Keras model 。如果您有问题，可能会查看评论。或者 使用 Keras CNN 图像分类器进行预测

原文由 Abhishek Singh 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 2

为什么 scikit-learn 函数不能完成这项工作？您转发训练/测试集中的所有样本（图像），将单热编码转换为标签编码（请参阅 链接）并将其传递到 sklearn.metrics.confusion_matrix 作为 y_pred 。您以类似的方式处理 y_true （one-hot to label）。

示例代码：

 import sklearn.metrics as metrics

y_pred_ohe = KerasClassifier.predict(X)  # shape=(n_samples, 12)
y_pred_labels = np.argmax(y_pred_ohe, axis=1)  # only necessary if output has one-hot-encoding, shape=(n_samples)

confusion_matrix = metrics.confusion_matrix(y_true=y_true_labels, y_pred=y_pred_labels)  # shape=(12, 12)

原文由 Jan K 发布，翻译遵循 CC BY-SA 4.0 许可协议