TensorFlow中对三维数据使用决定系数R2score

最新推荐文章于 2025-10-20 00:19:37 发布

原创

最新推荐文章于 2025-10-20 00:19:37 发布 · 401 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #人工智能 #python

问题描述：Tensorflow中提供的R2Score只能接受2维数据（batch， feature），如何对一个三维数据实现R2score的计算？tensorflow传递给模型训练的输入形式什么时候第一个维度是确定的batch值，而不是显示为None？

这是tensorflow中R2Score源码中的一部分，这里判定的模型的输入形状必须是二维且最后一个维度不能为None

本人在搭建LSTM模型时，输入维度为（batch, timestep, feature）,想计算在每个timestep维度上的决定系数，以（2， 200， 5）为例，我相对每条长为200的序列计算预测值与实际值的决定系数，然后再特征维度与batch维度累积求和之后再平均，即2*5=10个决定系数的平均。

自定义了一个 R_squared 类，代码如下：

class R_squared(tf.keras.metrics.Metric):
    def __init__(self, name='r_squared', **kwargs):
        super(R_squared, self).__init__(name=name, **kwargs)
        self.total_samples = self.add_weight(name='total_samples', initializer='zeros')
        self.total_r_squareds = self.add_weight(name='total_r_squareds', initializer='zeros')
        

    def update_state(self, y_true, y_pred, sample_weight=None):
        tot