metrics

Prmetheus 主要用来做来Metrics的监控和报警，这张图是官方的架构图。 这是他的核心 它的作用是根据我们的配置去完成数据的采集、服务的发现，以及数据的存储。 这是服务的发现，通过Service discovery,prmethesu就会知道去哪里采集数据。Service discovery有两种形式，一种是是静态的，就是通过文件去配。告诉它你要去哪拿这个Metrics的数据，另一种就是动态的，通过zookeeper或者其他的一些配置中心，配置中心里面的数据变化的时候，Prometheus也跟着变，去不同的地方去抓数据， 这都是我的应用来提供的，普罗米修斯是抓数据，是一个拉的模式，Prometheus调用我们的接口，然后把我们的数据抓走，是Prometheus来我们这拉数据，这样的好处是，对于我们的应用来说，我们不需要知道Prometheus的服务在哪的，不需要做这些配置，我们只要暴露我们的数据就看可以了。 统一在Prometheus里面来配置.这样Prometheus就可以去各种 地方抓各种各样的数据。 Pushgateway是用来支持推模式的，因为有些时候，有些数据它并不是一直存在的，比如说我们的定时任务，Prometheus来抓的时候，我的定时任务刚好没启动，那么你就抓不到数据，所以向定时任务的数据 它会发给Pushgateway一个推送网关，这个时候

Is there any recommendable per class IoU(intersection over union) per pixel accuracy(different from bounding box) implementation.I am using caffe and managed to get the mean IoU but i am having difficulty in doing IoU for per class accuracy.I would appreciate a lot if someone could point out a good implementation in any language so far this the only close semantic segmentation with multiple pixel label i ve seen so far here 来源： https://stackoverflow.com/questions/44041096/iou-for-semantic-segmentation-implementation-in-python-caffe-per-class

tf.keras.metric 里面竟然没有实现 F1 score、recall、precision 等指标，一开始觉得真不可思议。但这是有原因的，这些指标在 batch-wise 上计算都没有意义，需要在整个验证集上计算，而 tf.keras 在训练过程中计算 acc、loss 都是一个 batch 计算一次的，最后再平均起来。 Keras 2.0 版本将 precision, recall, fbeta_score, fmeasure 等 metrics 移除了。 虽然 tf.keras.metric 中没有实现 f1 socre、precision、recall，但我们可以通过 tf.keras.callbacks.Callback 实现。 一些博客实现了二分类下的 f1 socre、precision、recall，如下所示： How to compute f1 score for each epoch in Keras -- Thong Nguyen keras如何求分类问题中的准确率和召回率？ - 鱼塘邓少的回答 - 知乎 以下代码实现了多分类下对验证集 F1 值、precision、recall 的计算，并且保存 val_f1 值最好的模型： import tensorflow as tf from sklearn.model_selection import