问如何在TensorFlow中为每个输出创建多个自定义AUC度量？

EN

在TensorFlow 2.0中，有类tf.keras.metrics.AUC。它可以很容易地添加到compile方法的度量列表中，如下所示。

# Example taken from the documentation
model.compile('sgd', loss='mse', metrics=[tf.keras.metrics.AUC()])

然而，在我的例子中，我的神经网络的输出是一个NxM张量，其中N是批大小，M是单独输出的数目。我想单独计算每个M输出的N度量(跨批处理的所有N实例)。因此，应该有M的AUC度量，它们中的每一个都是用N观测来计算的。我试图创建一个自定义度量，但我面临一些问题。以下是我的第一次尝试。

def get_custom_auc(output):
    auc = tf.metrics.AUC()

    @tf.function
    def custom_auc(y_true, y_pred):
        y_true = y_true[:, output]
        y_pred = y_pred[:, output]
        auc.update_state(y_true, y_pred)
        return auc.result()

    custom_auc.__name__ = "custom_auc_" + str(output)
    return custom_auc

重命名custom_auc.__name__的需要在以下文章中描述：是否有可能有一个返回数组(或张量)而不是数字的度量？。但是，此实现会引发错误。

tensorflow.python.framework.errors_impl.InvalidArgumentError:断言失败:预测必须是>= 0 x (strided_slice_1:0) =y (Cast_1/x:0) =[{节点metrics/custom_auc_2/StatefulPartitionedCall/assert_greater_equal/Assert/AssertGuard/else/_161/Assert}}] ]

我还尝试在AUC中创建custom_auc对象，但这是不可能的，因为我使用的是@tf.function，所以我将得到错误ValueError: tf.function-decorated function tried to create variables on non-first call.。即使我删除了@tf.function (因为我可能在实现中使用了一些if - get语句)，我也会得到另一个错误。

从容器: localhost读取资源变量_AnonymousVar33时出错。这可能意味着变量未初始化。未找到:资源localhost/_AnonyousVar33/N10tensorflow 3VarE不存在。[节点度量/自定义_auc_0/add/ReadVariableOp(定义在/train.py:173上)]

注意，目前我正在添加这些AUC度量，每个M输出都有一个，如这个答案中所描述的。此外，我不能简单地返回对象auc，因为显然Keras期望自定义度量的输出是张量，而不是AUC对象。因此，如果您这样做，您将得到以下错误。

TypeError:要与tf.contrib.eager.defun兼容，Python函数必须返回零或多个张量；在.custom_auc at 0x1862e6680>的编译中，可以找到类型的返回值，而不是张量。

我还尝试实现一个定制的度量类，如下所示。

class CustomAUC(tf.metrics.Metric):

    def __init__(self, num_outputs, name="custom_auc", **kwargs):
        super(CustomAUC, self).__init__(name=name, **kwargs)
        assert num_outputs >= 1
        self.num_outputs = num_outputs
        self.aucs = [tf.metrics.AUC() for _ in range(self.num_outputs)]

    def update_state(self, y_true, y_pred, sample_weight=None):
        for output in range(self.num_outputs):
            y_true1 = y_true[:, output]
            y_pred1 = y_pred[:, output]
            self.aucs[output].update_state(y_true1, y_pred1)

    def result(self):
        return [auc.result() for auc in self.aucs]

但是，我目前正在收到错误。

ValueError:形状(200，)和()不兼容

这个错误似乎与reset_states有关，所以也许我也应该重写这个方法。实际上，如果我用以下实现覆盖reset_states

def reset_states(self):
    for auc in self.aucs:
        auc.reset_states()

我不再理解这个错误了，但是我得到了另一个错误

tensorflow.python.framework.errors_impl.InvalidArgumentError:断言失败:预测必须是>= 0 x (strided_slice_1:0) =y (Cast_1/x:0) =[{节点metrics/custom_auc/PartitionedFunctionCall/assert_greater_equal/Assert/AssertGuard/else/_98/Assert}}] ]

那么，如何实现这个自定义的AUC度量，为网络的每个M输出提供一个度量？基本上，我想做一些类似于这个答案描述的解决方案，但使用的是AUC度量。

我还在TensorFlow的Github问题跟踪器上打开了相关问题。