ValueError异常：坏输入形状（2，256，3）试图计算时ROC曲线

Question

首先，我是新来的蟒蛇。试图建立一个ROC曲线，我在这行代码得到一个错误：

fpr_keras, tpr_keras, thresholds_keras = roc_curve(Y_test.argmax(axis=1), decoded_imgs.argmax(axis=1))

错误：

ValueError异常：坏输入形状（2，256，3）

当我尝试重塑后，我收到了第二个错误塑造：

类型错误：“元组”对象不是可调用

我跟着这个link，但我不知道我应该怎么做，我堆叠在这个问题上。有人可以修改我的密码？这就是我想要做的事：link2

import keras
import numpy as np
from keras.datasets import mnist
from get_dataset import get_dataset
from stack import keras_model

X_train, X_test, Y_train, Y_test = get_dataset()

from keras.layers import Input, Conv2D, MaxPooling2D, UpSampling2D, Dense
from keras.models import Model

input_img = Input(shape=(256, 256, 3))

x = Conv2D(32, (3, 3), activation='relu', padding='same')(input_img)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(64, (3, 3), activation='relu', padding='same')(x)
x = MaxPooling2D((2, 2), padding='same')(x)
x = Conv2D(64, (3, 3), activation='relu', padding='same')(x)
encoded = MaxPooling2D((2, 2), padding='same')(x)

x = Conv2D(64, (3, 3), activation='relu', padding='same')(encoded)
x = UpSampling2D((2, 2))(x)
x = Conv2D(64, (3, 3), activation='relu', padding='same')(x)
x = UpSampling2D((2, 2))(x)
x = Conv2D(32, (3, 3), activation='relu', padding='same')(x)
x = UpSampling2D((2, 2))(x)
decoded = Conv2D(3, (3, 3), activation='sigmoid', padding='same')(x)
autoencoder = Model(input_img, decoded)
autoencoder.compile(optimizer='rmsprop', loss='mae',metrics=['mse', 'accuracy'])

from keras.callbacks import ModelCheckpoint, TensorBoard
checkpoints = []

from keras.preprocessing.image import ImageDataGenerator

generated_data = ImageDataGenerator(featurewise_center=False, samplewise_center=False, featurewise_std_normalization=False, samplewise_std_normalization=False, zca_whitening=False, rotation_range=0,  width_shift_range=0.1, height_shift_range=0.1, horizontal_flip = True, vertical_flip = False)
generated_data.fit(X_train)
epochs = 1
batch_size = 5

autoencoder.fit_generator(generated_data.flow(X_train, X_train, batch_size=batch_size), steps_per_epoch=X_train.shape[0]/batch_size, epochs=epochs, validation_data=(X_test, X_test), callbacks=[TensorBoard(log_dir='/tmp/autoencoder')])

autoencoder.fit(X_train, X_train, batch_size=batch_size, epochs=epochs, validation_data=(X_test, X_test), shuffle=True, callbacks=[TensorBoard(log_dir='/tmp/auti')])

decoded_imgs = autoencoder.predict(X_test)

from sklearn.metrics import roc_curve
#2 256  3
print(decoded_imgs.argmax(axis=1))
print(decoded_imgs.argmax(axis=1).reshape(1,3))

fpr_keras, tpr_keras, thresholds_keras = roc_curve(Y_test.argmax(axis=1), decoded_imgs.argmax(axis=1))

ValueError: bad input shape (2, 256, 3)    

编辑行后：

fpr_keras, tpr_keras, thresholds_keras = roc_curve(Y_test.argmax(axis=1), decoded_imgs.reshape(6,256,1)) 

我得到这个错误：

ValueError异常：与样品的不一致数实测值输入变量：[2,4]

Answer 1

你的声音有点困惑关于这两个ROC曲线和自动编码非常基本的...

从报价scikit学习documentation roc_curve的：

roc_curve（y_true，y_score，pos_label =无，sample_weight =无，drop_intermediate =真）

参数：

y_true：阵列，形状= [N_SAMPLES次]

真正的二进制标签。如果标签不为{-1,1}或{0,1}，则pos_label应明确给出。

y_score：阵列，形状= [N_SAMPLES次]

目标分数，可以是积极的类，置信度值，或者决定非阈值的措施（如在一些分类返回由“decision_function”）的概率估计。

换句话说，两个输入roc_curve应该是标量数，第一个含有真类和第二个预测分数简单的一维数组。

现在，尽管你不显示自己的数据样本，虽然我不怀疑你的Y_test.argmax(axis=1)可以符合本规范，肯定你的decoded_imgs.argmax(axis=1)（但是你重塑它）没有。为什么？由于自动编码的本质。

与此形成鲜明对比的，如随机森林分类模型还试图在你的代码的（现在删除）的一部分使用，自动编码不分类：其功能是重建（去噪，压缩等），其输入的版本，而不是生产类的预测（见Keras博客的可爱的小tutorial的快速定位）。其中，在你的情况下，意味着你decoded_imgs实际上是变换图像（或图像数据等，在任何情况下），而不是由roc_curve所需的类的得分，因此误差（其，从技术上来说，实际上是由于decoded_imgs不作为一个一维数组，但希望你的想法）。

即使你已经在这里使用的分类，而不是自动编码器，你会在另一个问题碰着：ROC曲线用于二进制分类任务，而不是为多级的，如MNIST（实际上有把它们应用到多一些的方法-class数据太多，但他们没有被广泛使用AFAIK）。的确，从表面上看，scikit学习的roc_curve将即使在多级设置工作：

import numpy as np
from sklearn import metrics

y = np.array([0, 1, 1, 2, 2]) # 3-class problem
scores = np.array([0.05, 0.1, 0.4, 0.35, 0.8])
fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2)  # works OK, no error

但实际上这仅仅是因为我们已经明确地定义了pos_label=2，因此，在引擎盖下，scikit学习认​​为其他所有的标签比2为消极的，并随后把该计算的其余部分，如果我们的问题是一个二进制（即类2 VS所有其他类）。

在你的情况（MNIST），你应该问自己一个问题：到底什么是“积极的”，在10级MNIST数据集？而没有这个问题，甚至有意义吗？我们希望，你应该能够说服自己的答案并不简单，因为在二进制（0/1）的情况下。

---

要总结会：没有编码错误在这里予以纠正;您的问题的根本原因很简单，你尝试一些毫无意义的，无效的，因为自动编码不产生类的预测，因此它们的输出不能用于计算ROC曲线。我好心建议先得到相关的概念和概念有深刻的理解，在继续申请前...