在keras中自定义fit函数会导致Evaluate函数返回空列表

问题描述

我正在使用Keras教程https://keras.io/examples/generative/vae/训练VAE。这涉及创建VAE类并指定自定义训练过程，在这里https://keras.io/guides/customizing_what_happens_in_fit/中对此进行了详细说明。在按照本教程中的说明创建编码器和解码器并训练了模型之后，我通过以下步骤创建了VAE模型：

vae = VAE(encoder,decoder) 
vae.compile(optimizer=keras.optimizers.Adam())

vae.fit(x=x_train,y=None,epochs=epochs,batch_size=batch_size,verbose=False,validation_data=(x_test,None))

我想在训练后在单独的数据集上评估模型（因为我有多个评估数据集，所以我不将其用作validation_data）。但是，当我尝试运行vae.evaluate(data)时，它将返回一个空列表[]。

注意：我可以通过vae.history.history轻松获得培训和验证指标，但是问题是当我尝试在培训后进行评估时。但是，当我尝试返回指标vae.metrics时，它也会返回一个空列表。如何使model.evaluate与自定义训练过程一起使用，该训练过程返回损失指标的指标？我需要定义一些自定义的评估方式吗？

这是VAE类的定义方式。更多细节可以在上面的教程中找到。

class VAE(keras.Model):
    def __init__(self,encoder,decoder,**kwargs):
        super(VAE,self).__init__(**kwargs)
        self.encoder = encoder
        self.decoder = decoder

    def train_step(self,data):
        if isinstance(data,tuple):
            data = data[0]
        with tf.GradientTape() as tape:
            z_mean,z_log_var,z = encoder(data)
            reconstruction = decoder(z)
            reconstruction_loss = tf.reduce_mean(
                keras.losses.binary_crossentropy(data,reconstruction)
            )
            reconstruction_loss *= 28 * 28
            kl_loss = 1 + z_log_var - tf.square(z_mean) - tf.exp(z_log_var)
            kl_loss = tf.reduce_mean(kl_loss)
            kl_loss *= -0.5
            total_loss = reconstruction_loss + kl_loss
        grads = tape.gradient(total_loss,self.trainable_weights)
        self.optimizer.apply_gradients(zip(grads,self.trainable_weights))
        return {
            "loss": total_loss,"reconstruction_loss": reconstruction_loss,"kl_loss": kl_loss,}

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）