准确率指标

`Accuracy` 类

keras.metrics.Accuracy(name="accuracy", dtype=None)

计算预测值与标签值相等的频率。

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：这是一个幂等操作，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 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 的用法

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

[源代码]

`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。

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）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 的用法

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

[源代码]

`CategoricalAccuracy` 类

keras.metrics.CategoricalAccuracy(name="categorical_accuracy", dtype=None)

计算预测值与独热（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 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 categorical accuracy 返回：这是一个幂等操作，仅将 total 除以 count。

y_pred 和 y_true 应作为概率向量传入，而不是标签。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 的用法

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

[源代码]

`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 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 sparse categorical accuracy 返回：这是一个幂等操作，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 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 的用法

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

[源代码]

`TopKCategoricalAccuracy` 类

keras.metrics.TopKCategoricalAccuracy(
    k=5, name="top_k_categorical_accuracy", dtype=None
)

计算目标值在预测值前 K 个中的频率。

参数

k: （可选）计算准确率时查看的前 K 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 的用法

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

[源代码]

`SparseTopKCategoricalAccuracy` 类

keras.metrics.SparseTopKCategoricalAccuracy(
    k=5, name="sparse_top_k_categorical_accuracy", dtype=None, from_sorted_ids=False
)

计算整数目标值在预测值前 K 个中的频率。

默认情况下，update_state() 预期的参数为： - y_true：一个形状为 (batch_size) 的张量，表示真实类别的索引。 - y_pred：一个形状为 (batch_size, num_categories) 的张量，包含每个样本在所有可能类别上的分数。

当 from_sorted_ids=True 时，update_state 预期的参数为： - y_true：一个形状为 (batch_size) 的张量，表示真实类别的索引或 ID。 - y_pred：一个形状为 (batch_size, N) 的张量，包含按从高到低分数排序的前 N 个类别的索引或 ID。N 必须大于或等于 k。

当类别集非常大且模型具有优化方法来检索前几个类别（无需计算分数或无需维护所有可能类别的分数）时，from_sorted_ids=True 选项会更高效。

参数

k: （可选）计算准确率时查看的前 K 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。
from_sorted_ids: （可选）当为 False（默认值）时，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 包含前几个类别的索引或 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 的用法

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