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
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
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
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
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
5
。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
5
。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()])