KerasTuner中自定义指标作为优化目标的KeyError问题解决方案

摘要：在KerasTuner中，自定义指标作为优化目标时可能会遇到KeyError问题。为了解决这个问题，需要确保自定义指标的名称在代码中正确使用，并且与模型中定义的指标名称一致。还需要在KerasTuner的配置文件中正确设置优化目标，并确保在训练过程中正确使用这些指标。通过这些步骤，可以有效地解决KerasTuner中自定义指标作为优化目标时出现的KeyError问题。

本文旨在解决KerasTuner在使用F1分数、AUC等自定义或非默认内置指标作为超参数调优目标时常见的`KeyError`问题。我们将详细阐述如何正确定义和配置这些指标，包括内置指标的命名规范以及如何将自定义指标集成到Keras模型的编译和KerasTuner的`Objective`设置中，确保KerasTuner能够成功识别并跟踪这些指标，从而实现高效的超参数搜索。

理解KerasTuner的优化目标与指标

在使用KerasTuner进行超参数调优时，我们通常会指定一个优化目标（objective），例如"val_accuracy"或"val_loss"。然而，当尝试使用F1分数、AUC（Area Under the Curve）等更复杂的评估指标作为目标时，用户可能会遇到KeyError，提示KerasTuner无法在训练日志中找到指定的指标。这通常是因为对KerasTuner如何识别和跟踪指标存在误解。

KerasTuner的objective参数实际上是期望一个字符串，该字符串对应于Keras模型在训练过程中（通过model.fit）产生的日志（logs）字典中的键。这个键通常遵循特定的命名约定，特别是对于验证集上的指标。

KerasTuner支持的指标类型

KerasTuner支持两种类型的指标作为优化目标：

1. 内置指标 (Built-in Metrics)：Keras框架提供了一系列预定义的指标，如Accuracy、MeanAbsoluteError、AUC、F1Score等。这些指标可以直接在模型编译时使用。
2. 自定义指标 (Custom Metrics)：如果Keras内置指标无法满足需求，用户可以根据业务逻辑自行创建指标，通过继承tf.keras.metrics.Metric类来实现。

无论使用哪种类型的指标，关键在于确保KerasTuner能够通过正确的名称在训练日志中找到它们。

正确配置内置指标作为优化目标

要将Keras的内置指标（例如AUC或F1Score）作为KerasTuner的优化目标，需要遵循以下两个核心步骤：

1. 在模型编译时包含目标指标

您必须在Keras模型的compile方法中明确指定要使用的指标。这可以通过指标的字符串名称或其实例来完成。指标的字符串名称通常是其类名的“蛇形命名法”（snake_case）形式。

示例： 如果您想使用tf.keras.metrics.AUC或tf.keras.metrics.F1Score，您需要像这样编译模型：

import tensorflow as tf
from tensorflow import keras

# ... (模型定义)

model.compile(
    optimizer='adam',
    loss='binary_crossentropy',
    metrics=[
        'accuracy',  # 内置准确率
        tf.keras.metrics.AUC(name='auc_score'), # 使用实例并指定名称
        tf.keras.metrics.F1Score(average='macro', name='f1_score') # 使用实例并指定名称
    ]
)

注意： 对于TensorFlow 2.15+或Keras 3，tf.keras.metrics.F1Score和tf.keras.metrics.AUC是内置的。在旧版本中，可能需要自定义实现或使用第三方库。

2. 在KerasTuner的objective中指定正确的名称

KerasTuner在查找验证集上的指标时，会期望一个特定格式的名称："val_{metric_name_string}"。这里的metric_name_string是指标在模型编译时实际使用的名称。

• 如果编译时使用字符串名称，例如metrics=['mean_absolute_error']，则目标名称为"val_mean_absolute_error"。
• 如果编译时使用指标实例并指定了name参数，例如tf.keras.metrics.AUC(name='auc_score')，则目标名称为"val_auc_score"。

示例： 继续上面的例子，如果想以验证集上的F1分数为优化目标：

import keras_tuner as kt

tuner = kt.RandomSearch(
    MyHyperModel(),
    objective=kt.Objective("val_f1_score", direction="max"), # 对应上面编译时f1_score的验证集名称
    max_trials=100,
    overwrite=True,
    directory="my_dir",
    project_name="tune_hypermodel",
)

集成自定义指标作为优化目标

如果您需要一个Keras内置指标库中没有的自定义指标，您需要：

1. 定义自定义指标类

通过继承tf.keras.metrics.Metric类来创建您的自定义指标。

import tensorflow as tf
from tensorflow.keras import backend as K

class CustomF1Score(tf.keras.metrics.Metric):
    def __init__(self, name='custom_f1_score', **kwargs):
        super(CustomF1Score, self).__init__(name=name, **kwargs)
        self.true_positives = self.add_weight(name='tp', initializer='zeros')
        self.false_positives = self.add_weight(name='fp', initializer='zeros')
        self.false_negatives = self.add_weight(name='fn', initializer='zeros')

    def update_state(self, y_true, y_pred, sample_weight=None):
        y_true = tf.cast(y_true, tf.float32)
        y_pred = tf.cast(tf.round(y_pred), tf.float32) # 假设二分类且输出是概率

        tp = K.sum(y_true * y_pred)
        fp = K.sum((1 - y_true) * y_pred)
        fn = K.sum(y_true * (1 - y_pred))

        self.true_positives.assign_add(tp)
        self.false_positives.assign_add(fp)
        self.false_negatives.assign_add(fn)

    def result(self):
        precision = self.true_positives / (self.true_positives + self.false_positives + K.epsilon())
        recall = self.true_positives / (self.true_positives + self.false_negatives + K.epsilon())
        f1 = 2 * (precision * recall) / (precision + recall + K.epsilon())
        return f1

    def reset_state(self):
        self.true_positives.assign(0.)
        self.false_positives.assign(0.)
        self.false_negatives.assign(0.)

2. 在模型编译时使用自定义指标

将您的自定义指标实例添加到模型的metrics列表中。

# ... (模型定义)

model.compile(
    optimizer='adam',
    loss='binary_crossentropy',
    metrics=[
        'accuracy',
        CustomF1Score(name='my_f1') # 使用自定义F1分数，并指定名称
    ]
)

3. 在KerasTuner的objective中指定正确的名称

同样，遵循"val_{metric_name_string}"的命名约定。

tuner = kt.RandomSearch(
    MyHyperModel(),
    objective=kt.Objective("val_my_f1", direction="max"), # 对应上面自定义指标的名称
    max_trials=100,
    overwrite=True,
    directory="my_dir",
    project_name="tune_hypermodel",
)

完整示例：使用F1分数作为KerasTuner优化目标

下面是基于原始问题的修改版MyHyperModel，演示如何将F1Score（假设为TF 2.15+内置）作为KerasTuner的优化目标。

import keras_tuner as kt
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras.models import Sequential
from tensorflow.keras.optimizers import Adam
# 假设X_train, y_train, X_test, y_test 已定义

class MyHyperModel(kt.HyperModel):
    def build(self, hp):
        model = Sequential()
        model.add(layers.Flatten(input_shape=(X_train.shape[1],))) # 假设输入是二维数据
        model.add(
            layers.Dense(
                units=hp.Int("units", min_value=24, max_value=128, step=10),
                activation="relu",
            )
        )
        model.add(layers.Dense(1, activation="sigmoid"))  # 二分类问题

        model.compile(
            optimizer=Adam(learning_rate=hp.Float('learning_rate', 5e-5, 5e-1, step=0.001)),
            loss='binary_crossentropy',
            metrics=[
                'accuracy',
                tf.keras.metrics.F1Score(average='macro', name='f1_score') # 添加F1Score，并指定名称
            ]
        )
        return model

    def fit(self, hp, model, *args, **kwargs):
        return model.fit(
            *args,
            batch_size=hp.Choice("batch_size", [16, 32, 52]),
            epochs=hp.Int('epochs', min_value=5, max_value=25, step=5),
            **kwargs,
        )

# 假设 X_train, y_train, X_test, y_test 已经准备好
# 例如:
# from sklearn.datasets import make_classification
# from sklearn.model_selection import train_test_split
# X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)
# X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

tuner = kt.RandomSearch(
    MyHyperModel(),
    objective=kt.Objective("val_f1_score", direction="max"), # 目标是验证集上的F1分数
    max_trials=10, # 减少试次以便快速运行
    overwrite=True,
    directory="my_dir",
    project_name="tune_hypermodel_f1",
)

# 运行搜索
# tuner.search(X_train, y_train, validation_data=(X_test, y_test), callbacks=[keras.callbacks.EarlyStopping('val_loss', patience=3)])

# 获取最佳模型和超参数
# best_hps = tuner.get_best_hyperparameters(num_trials=1)[0]
# best_model = tuner.get_best_models(num_models=1)[0]

注意事项与总结

1. 名称匹配：最常见的错误是objective中指定的名称与模型编译时实际记录的指标名称不匹配。请务必检查val_{metric_name_string}中的metric_name_string是否准确无误。
2. 指标可用性：确保您使用的指标在当前TensorFlow/Keras版本中可用。对于较新的指标（如tf.keras.metrics.F1Score），可能需要更新库版本。
3. 自定义指标的name参数：在定义自定义指标时，通过super().__init__(name=name, **kwargs)传递name参数至关重要，它决定了该指标在训练日志中的键。
4. 方向性：kt.Objective还接受direction参数，可以是"min"（例如损失）或"max"（例如准确率、F1分数、AUC），确保其与您的优化目标一致。
5. 日志输出：在遇到问题时，可以尝试不使用KerasTuner，直接运行Keras模型的model.fit()，并查看其返回的history对象中的history.keys()，以确认哪些指标名称实际被记录。这有助于调试KeyError。

通过遵循上述指导原则，您可以有效地将Keras的内置或自定义指标（如F1分数和AUC）作为KerasTuner的优化目标，从而更精确地进行超参数调优，找到性能更优的模型。

本文转载于：互联网 如有侵犯，请联系zhengruancom@outlook.com删除。
免责声明：正软商城发布此文仅为传递信息，不代表正软商城认同其观点或证实其描述。