Keras 3 API 文档 / 指标 / 准确率指标

准确率指标

[来源]

Accuracy

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,totalcount,用于计算 y_predy_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_weightNone,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

compile() API 一起使用

model.compile(optimizer='sgd',
              loss='binary_crossentropy',
              metrics=[keras.metrics.Accuracy()])

[来源]

BinaryAccuracy

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,totalcount,用于计算 y_predy_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_weightNone,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

compile() API 一起使用

model.compile(optimizer='sgd',
              loss='binary_crossentropy',
              metrics=[keras.metrics.BinaryAccuracy()])

[来源]

CategoricalAccuracy

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,totalcount,用于计算 y_predy_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_predy_true 应作为概率向量而不是标签传入。如有必要,使用 ops.one_hoty_true 展开为向量。

如果 sample_weightNone,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

compile() API 一起使用

model.compile(optimizer='sgd',
              loss='categorical_crossentropy',
              metrics=[keras.metrics.CategoricalAccuracy()])

[来源]

SparseCategoricalAccuracy

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,totalcount,用于计算 y_predy_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_weightNone,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

compile() API 一起使用

model.compile(optimizer='sgd',
              loss='sparse_categorical_crossentropy',
              metrics=[keras.metrics.SparseCategoricalAccuracy()])

[来源]

TopKCategoricalAccuracy

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

compile() API 一起使用

model.compile(optimizer='sgd',
              loss='categorical_crossentropy',
              metrics=[keras.metrics.TopKCategoricalAccuracy()])

[来源]

SparseTopKCategoricalAccuracy

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=Trueupdate_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

compile() API 一起使用

model.compile(optimizer='sgd',
              loss='sparse_categorical_crossentropy',
              metrics=[keras.metrics.SparseTopKCategoricalAccuracy()])