准确率指标
Accuracy 类
keras.metrics.Accuracy(name="accuracy", dtype=None)
计算预测值等于标签的频率。
此指标创建两个局部变量，total 和 count，用于计算 y_pred 与 y_true 匹配的频率。此频率最终作为 binary accuracy 返回：一个幂等运算，仅将 total 除以 count。
如果 sample_weight 为 None，则权重默认为 1。使用 sample_weight 为 0 可屏蔽值。
参数
- name：（可选）指标实例的字符串名称。
- dtype：（可选）指标结果的数据类型。
示例
>>> m = keras.metrics.Accuracy()
>>> m.update_state([[1], [2], [3], [4]], [[0], [2], [3], [4]])
>>> m.result()
0.75
>>> m.reset_state()
>>> m.update_state([[1], [2], [3], [4]], [[0], [2], [3], [4]],
... sample_weight=[1, 1, 0, 0])
>>> m.result()
0.5
与 compile() API 一起使用
model.compile(optimizer='sgd',
loss='binary_crossentropy',
metrics=[keras.metrics.Accuracy()])
BinaryAccuracy 类
keras.metrics.BinaryAccuracy(name="binary_accuracy", dtype=None, threshold=0.5)
计算预测值与二元标签匹配的频率。
此指标创建两个局部变量，total 和 count，用于计算 y_pred 与 y_true 匹配的频率。此频率最终作为 binary accuracy 返回：一个幂等运算，仅将 total 除以 count。
如果 sample_weight 为 None，则权重默认为 1。使用 sample_weight 为 0 可屏蔽值。
参数
- name：（可选）指标实例的字符串名称。
- dtype：（可选）指标结果的数据类型。
- threshold：（可选）浮点数，表示决定预测值是 1 还是 0 的阈值。
示例
>>> m = keras.metrics.BinaryAccuracy()
>>> m.update_state([[1], [1], [0], [0]], [[0.98], [1], [0], [0.6]])
>>> m.result()
0.75
>>> m.reset_state()
>>> m.update_state([[1], [1], [0], [0]], [[0.98], [1], [0], [0.6]],
... sample_weight=[1, 0, 0, 1])
>>> m.result()
0.5
与 compile() API 一起使用
model.compile(optimizer='sgd',
loss='binary_crossentropy',
metrics=[keras.metrics.BinaryAccuracy()])
CategoricalAccuracy 类
keras.metrics.CategoricalAccuracy(name="categorical_accuracy", dtype=None)
计算预测值与 one-hot 标签匹配的频率。
您可以将类别的 logits 作为 y_pred 提供，因为 logits 和概率的 argmax 相同。
此指标创建两个局部变量，total 和 count，用于计算 y_pred 与 y_true 匹配的频率。此频率最终作为 categorical accuracy 返回：一个幂等运算，仅将 total 除以 count。
y_pred 和 y_true 应作为概率向量而不是标签传入。如有必要，使用 ops.one_hot 将 y_true 展开为向量。
如果 sample_weight 为 None，则权重默认为 1。使用 sample_weight 为 0 可屏蔽值。
参数
- name：（可选）指标实例的字符串名称。
- dtype：（可选）指标结果的数据类型。
示例
>>> m = keras.metrics.CategoricalAccuracy()
>>> m.update_state([[0, 0, 1], [0, 1, 0]], [[0.1, 0.9, 0.8],
... [0.05, 0.95, 0]])
>>> m.result()
0.5
>>> m.reset_state()
>>> m.update_state([[0, 0, 1], [0, 1, 0]], [[0.1, 0.9, 0.8],
... [0.05, 0.95, 0]],
... sample_weight=[0.7, 0.3])
>>> m.result()
0.3
与 compile() API 一起使用
model.compile(optimizer='sgd',
loss='categorical_crossentropy',
metrics=[keras.metrics.CategoricalAccuracy()])
SparseCategoricalAccuracy 类
keras.metrics.SparseCategoricalAccuracy(
name="sparse_categorical_accuracy", dtype=None
)
计算预测值与整数标签匹配的频率。
acc = np.dot(sample_weight, np.equal(y_true, np.argmax(y_pred, axis=1))
您可以将类别的 logits 作为 y_pred 提供，因为 logits 和概率的 argmax 相同。
此指标创建两个局部变量，total 和 count，用于计算 y_pred 与 y_true 匹配的频率。此频率最终作为 sparse categorical accuracy 返回：一个幂等运算，仅将 total 除以 count。
如果 sample_weight 为 None，则权重默认为 1。使用 sample_weight 为 0 可屏蔽值。
参数
- name：（可选）指标实例的字符串名称。
- dtype：（可选）指标结果的数据类型。
示例
>>> m = keras.metrics.SparseCategoricalAccuracy()
>>> m.update_state([[2], [1]], [[0.1, 0.6, 0.3], [0.05, 0.95, 0]])
>>> m.result()
0.5
>>> m.reset_state()
>>> m.update_state([[2], [1]], [[0.1, 0.6, 0.3], [0.05, 0.95, 0]],
... sample_weight=[0.7, 0.3])
>>> m.result()
0.3
与 compile() API 一起使用
model.compile(optimizer='sgd',
loss='sparse_categorical_crossentropy',
metrics=[keras.metrics.SparseCategoricalAccuracy()])
TopKCategoricalAccuracy 类
keras.metrics.TopKCategoricalAccuracy(
k=5, name="top_k_categorical_accuracy", dtype=None
)
计算目标值在前 K 个预测值中的频率。
参数
- k：（可选）用于计算准确率的顶部元素数量。默认为
5。 - name：（可选）指标实例的字符串名称。
- dtype：（可选）指标结果的数据类型。
示例
>>> m = keras.metrics.TopKCategoricalAccuracy(k=1)
>>> m.update_state([[0, 0, 1], [0, 1, 0]],
... [[0.1, 0.9, 0.8], [0.05, 0.95, 0]])
>>> m.result()
0.5
>>> m.reset_state()
>>> m.update_state([[0, 0, 1], [0, 1, 0]],
... [[0.1, 0.9, 0.8], [0.05, 0.95, 0]],
... sample_weight=[0.7, 0.3])
>>> m.result()
0.3
与 compile() API 一起使用
model.compile(optimizer='sgd',
loss='categorical_crossentropy',
metrics=[keras.metrics.TopKCategoricalAccuracy()])
SparseTopKCategoricalAccuracy 类
keras.metrics.SparseTopKCategoricalAccuracy(
k=5, name="sparse_top_k_categorical_accuracy", dtype=None, from_sorted_ids=False
)
计算整数目标值在前 K 个预测值中的频率。
默认情况下，update_state() 期望的参数是：- y_true：形状为 (batch_size) 的张量，表示真实类别的索引。- y_pred：形状为 (batch_size, num_categories) 的张量，包含所有可能类别的每个样本的分数。
使用 from_sorted_ids=True，update_state 期望的参数是：- y_true：形状为 (batch_size) 的张量，表示真实类别的索引或 ID。- y_pred：形状为 (batch_size, N) 的张量，包含前 N 个类别的索引或 ID，从最高分到最低分排序。N 必须大于或等于 k。
当类别集合非常大，并且模型具有优化方法来检索顶部类别，而无需评分或无需维护所有可能类别的分数时，from_sorted_ids=True 选项可能更有效。
参数
- k：（可选）用于计算准确率的顶部元素数量。默认为
5。 - name：（可选）指标实例的字符串名称。
- dtype：（可选）指标结果的数据类型。
- from_sorted_ids：（可选）当为
False时（默认值），传入y_pred的张量包含所有可能类别的未排序分数。当为True时，y_pred包含顶部类别的索引或 ID。
示例
>>> m = keras.metrics.SparseTopKCategoricalAccuracy(k=1)
>>> m.update_state([2, 1], [[0.1, 0.9, 0.8], [0.05, 0.95, 0]])
>>> m.result()
0.5
>>> m.reset_state()
>>> m.update_state([2, 1], [[0.1, 0.9, 0.8], [0.05, 0.95, 0]],
... sample_weight=[0.7, 0.3])
>>> m.result()
0.3
>>> m = keras.metrics.SparseTopKCategoricalAccuracy(k=1,
... from_sorted_ids=True)
>>> m.update_state([2, 1], [[1, 0, 3], [1, 2, 3]])
>>> m.result()
0.5
与 compile() API 一起使用
model.compile(optimizer='sgd',
loss='sparse_categorical_crossentropy',
metrics=[keras.metrics.SparseTopKCategoricalAccuracy()])