首先，我是python的新手。试图构建ROC曲线，我在这条代码线上遇到了一个错误：
fpr_keras, tpr_keras, thresholds_keras = roc_curve(Y_test.argmax(axis=1), decoded_imgs.argmax(axis=1))
错误：
ValueError：错误的输入形状(2256,3)
当我在整形后尝试整形时，我得到了第二个错误：
TypeError:"tuple"对象不可调用
我关注了这个链接，但我不明白该怎么办，我正在处理这个问题。有人能编辑我的代码吗？这就是我要做的：链接2
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：发现样本数不一致的输入变量：[2，4]
对于ROC曲线和自动编码器的基础知识，您听起来有点困惑。。。
引用scikit学习roc_curve:文档
roc_curve (y_true，y_score，pos_label=None，sample_weight=None，drop_intermediate=true)
参数：
y_true:数组，shape=[n_samples]
真二进制标签。如果标签不是{-1，1}或{0，1}，则应显式给定pos_label。
y_score:数组，形状=[n_samples]
目标分数可以是正类的概率估计、置信值，也可以是决策的非阈值度量(如由某些分类器上的"decision_function"返回)。
换句话说，roc_curve的两个输入都应该是简单的一维标量数组，第一个包含真实类，第二个包含预测分数。
现在，尽管您没有显示自己的数据样本，而且我毫不怀疑您的Y_test.argmax(axis=1)可能符合此规范，但最肯定的是，您的decoded_imgs.argmax(axis=1)(无论您如何重塑它)不符合。为什么？因为自动编码器的本质。
与你试图在代码的一部分(现已删除)中使用的随机森林分类器等模型形成鲜明对比的是，自动编码器不是分类器：它们的功能是重建输入的(去噪、压缩等)版本，而不是来生成类预测(请参阅Keras博客中的漂亮小教程了解快速方向)。在你的情况下，这意味着你的decoded_imgs实际上是经过变换的图像(或者在任何情况下都是类似图像的数据)，而不是roc_curve所要求的类分数，因此出现了错误(从技术上讲，这实际上是由于decoded_imgs不是一维数组，但希望你能理解)。
即使你在这里使用了分类器而不是自动编码器，你也会遇到另一个问题：ROC曲线用于二进制分类任务，而不是用于多类任务，如MNIST(实际上也有一些方法将它们应用于多类数据，但它们并没有广泛使用AFAIK)。的确，从表面上看，scikit learn的roc_curve即使在多类环境中也能工作：
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，这只是因为我们已经明确定义了pos_label=2，因此，在幕后，scikit learn将2以外的所有标签都视为负标签，并随后将剩余的计算视为二进制问题(即类2与所有其他类)。
在您的案例(MNIST)中，您应该问自己一个问题：在10类MNIST数据集中，什么是"正">这个问题有意义吗希望你能说服自己，答案并不简单，就像二进制(0/1)的情况一样。
总结：此处没有需要纠正的编码错误；问题的根本原因只是你尝试了一些没有意义和无效的东西，因为自动编码器不会产生类预测，因此它们的输出不能用于计算ROC曲线。我建议在进行应用之前，首先对相关概念和概念有一个坚实的理解。。。