Comment obtenir ROC_Curve et la matrice de confusion dans TensorFlow

Question

J'essaie d'obtenir une matrice roc_curve et confusion dans Tensorflow. J'ai utilisé la fonction sklearn.metrics et j'ai une erreur. Mon code est ci-dessous: de sklearn.metrics importer roc_curve, auc

n_inputs = x_train.shape[1] 
n_hidden1 = 500 
n_hidden2 = 200 
n_outputs = 2 
learning_rate = 0.01 

X = tf.placeholder(tf.float32, shape=(None, n_inputs), name="X") 
y = tf.placeholder(tf.int64, shape=(None), name="y") 

hidden1 = tf.layers.dense(X, n_hidden1, activation=None) 
hidden2 = tf.layers.dense(hidden1, n_hidden2, activation=None) 
logits = tf.layers.dense(hidden2, n_outputs) 

loss = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(labels=y, logits=logits)) 

training_op = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss) 

correct = tf.nn.in_top_k(logits, y, 1) 
accuracy = tf.reduce_mean(tf.cast(correct, tf.float32)) 

init = tf.global_variables_initializer() 

n_epochs = 20 

with tf.Session() as sess: 
    init.run() 
    for epoch in range(n_epochs): 
     sess.run(training_op, feed_dict={X: x_train, y: y_train}) 
     acc_train = accuracy.eval(feed_dict={X: x_train, y: y_train}) 
    acc_test = accuracy.eval(feed_dict={X: x_test, y: y_test}) 
    print("Epoch:", epoch, "Train accuracy:", acc_train, "Test accuracy:", acc_test) 

    y_score = np.array(logits) 
    roc_curve(y_test, y_score) 

L'erreur que je suis arrivé est ci-dessous:

TypeError: Singleton array array(<tf.Tensor 'dense_26/BiasAdd:0' shape=(?, 2) dtype=float32>, dtype=object) cannot be considered a valid collection. 

Toute aide sera appréciée. Merci!

Answer 1

Lorsque vous appelez

sess.run(training_op, feed_dict={X: x_train, y: y_train}) 

Vous devez demander que le réseau renvoie la valeur du tenseur logits, changer à ceci:

training_op_result, logits_result = sess.run([training_op, logits], feed_dict={X: x_train, y: y_train}) 
y_score = np.array(logits_result) 
roc_curve(y_test, y_score) 

Un tenseur est un objet graphique. Vous accédez à la valeur/aux résultats d'un tenseur ou d'un calcul via sess.run.