准确率指标
Accuracy 类
keras.metrics.Accuracy(name="accuracy", dtype=None)
计算预测结果与标签匹配的频率。
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 二元准确率 返回：一个幂等操作，简单地将 total 除以 count。
如果 sample_weight 为 None，则权重默认为 1。使用 sample_weight 为 0 来屏蔽值。
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 结合使用
model.compile(optimizer='sgd',
loss='binary_crossentropy',
metrics=[keras.metrics.Accuracy()])
BinaryAccuracy 类
keras.metrics.BinaryAccuracy(name="binary_accuracy", dtype=None, threshold=0.5)
计算预测结果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 二元准确率 返回：一个幂等操作，简单地将 total 除以 count。
如果 sample_weight 为 None，则权重默认为 1。使用 sample_weight 为 0 来屏蔽值。
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）表示决定预测值是 1 还是 0 的阈值的浮点数。
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 结合使用
model.compile(optimizer='sgd',
loss='binary_crossentropy',
metrics=[keras.metrics.BinaryAccuracy()])
CategoricalAccuracy 类
keras.metrics.CategoricalAccuracy(name="categorical_accuracy", dtype=None)
计算预测结果与独热标签匹配的频率。
您可以提供类别的 logits 作为 y_pred，因为 logits 和概率的最大值是相同的。
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 分类准确率 返回：一个幂等操作，简单地将 total 除以 count。
y_pred 和 y_true 应作为概率向量传递，而不是作为标签。如有必要，请使用 ops.one_hot 将 y_true 扩展为向量。
如果 sample_weight 为 None，则权重默认为 1。使用 sample_weight 为 0 来屏蔽值。
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 结合使用
model.compile(optimizer='sgd',
loss='categorical_crossentropy',
metrics=[keras.metrics.CategoricalAccuracy()])
SparseCategoricalAccuracy 类
keras.metrics.SparseCategoricalAccuracy(
name="sparse_categorical_accuracy", dtype=None
)
计算预测结果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))
您可以提供类别的 logits 作为 y_pred，因为 logits 和概率的最大值是相同的。
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 稀疏分类准确率 返回：一个幂等操作，简单地将 total 除以 count。
如果 sample_weight 为 None，则权重默认为 1。使用 sample_weight 为 0 来屏蔽值。
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 结合使用
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
)
计算目标是否在预测结果的前 K 个中的频率。
参数
- k: （可选）计算准确率时要查看的前几个元素的数量。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 结合使用
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
)
计算整数目标是否在预测结果的前 K 个中的频率。
参数
- k: （可选）计算准确率时要查看的前几个元素的数量。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.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
与 compile() API 结合使用
model.compile(optimizer='sgd',
loss='sparse_categorical_crossentropy',
metrics=[keras.metrics.SparseTopKCategoricalAccuracy()])