keras 自定义评估函数和损失函数loss训练模型后加载模型出现ValueError: Unknown metric function:fbeta_score

keras分类回归的损失函数与评价指标

• 目标函数

(1）mean_squared_error / mse 均方误差，常用的目标函数，公式为((y_pred-y_true)**2).mean()
(2）mean_absolute_error / mae 绝对值均差，公式为(|y_pred-y_true|).mean()
(3) mean_absolute_percentage_error / mape公式为：(|(y_true - y_pred) / clip((|y_true|),epsilon, infinite)|).mean(axis=-1) * 100，和mae的区别就是，累加的是（预测值与实际值的差）除以（剔除不介于epsilon和infinite之间的实际值)，然后求均值。
(4)mean_squared_logarithmic_error / msle公式为： (log(clip(y_pred, epsilon, infinite)+1)- log(clip(y_true, epsilon,infinite)+1.))^2.mean(axis=-1)，这个就是加入了log对数，剔除不介于epsilon和infinite之间的预测值与实际值之后，然后取对数，作差，平方，累加求均值。
(5)squared_hinge 公式为：(max(1-y_truey_pred,0))^2.mean(axis=-1)，取1减去预测值与实际值乘积的结果与0比相对大的值的平方的累加均值。
(6)hinge 公式为：(max(1-y_truey_pred,0)).mean(axis=-1)，取1减去预测值与实际值乘积的结果与0比相对大的值的的累加均值。
(7)binary_crossentropy: 常说的逻辑回归, 就是常用的交叉熵函
(8)categorical_crossentropy: 多分类的逻辑

• 性能评估函数

(1)binary_accuracy: 对二分类问题,计算在所有预测值上的平均正确率
(2)categorical_accuracy:对多分类问题,计算再所有预测值上的平均正确率
(3)sparse_categorical_accuracy:与categorical_accuracy相同,在对稀疏的目标值预测时有用
(4)top_k_categorical_accracy: 计算top-k正确率,当预测值的前k个值中存在目标类别即认为预测正确
(5)sparse_top_k_categorical_accuracy：与top_k_categorical_accracy作用相同，但适用于稀疏情况

==========================================================================================

keras自定义评估函数

有时候训练模型，现有的评估函数并不足以科学的评估模型的好坏，这时候就需要自定义一些评估函数，比如样本分布不均衡是准确率accuracy评估无法判定一个模型的好坏，这时候需要引入精确度和召回率作为评估标准，不幸的是keras没有这些评估函数。以下是参考别的文章摘取的两个自定义评估函数

召回率：

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

精确度：

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

自定义了评估函数，一般在编译模型阶段加入即可：

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy', precision, recall])

自定义了损失函数focal_loss一般也在编译阶段加入：

model.compile(optimizer=Adam(lr=0.0001), loss=[focal_loss],
                      metrics=['accuracy',fbeta_score], )

其他的没有特别要注意的点，直接按照原来的思路训练一版模型出来就好了，关键的地方在于加载模型这里，自定义的函数需要特殊的加载方式，不然会出现加载没有自定义函数的问题：ValueError: Unknown loss function:focal_loss

解决方案：

model_name = 'test_calssification_model.h5'
model_dfcw = load_model(model_name,
                        custom_objects={'focal_loss': focal_loss,'fbeta_score':fbeta_score})

注意点：将自定义的损失函数和评估函数都加入到custom_objects里，以上就是在自定义一个损失函数从编译模型阶段到加载模型阶段出现的所有的问题。

参考自：https://blog.csdn.net/aojue1109/article/details/88058965 

               https://blog.csdn.net/wangdongwei0/article/details/82321217