Metric
类keras.metrics.Metric(dtype=None, name=None)
封装度量逻辑和状态。
参数
None
,这意味着使用 keras.backend.floatx()
。keras.backend.floatx()
是一个 "float32"
,除非设置为不同的值(通过 keras.backend.set_floatx()
)。如果提供了 keras.DTypePolicy
,则将使用 compute_dtype
。示例
m = SomeMetric(...)
for input in ...:
m.update_state(input)
print('Final result: ', m.result())
与 compile()
API 一起使用
model = keras.Sequential()
model.add(keras.layers.Dense(64, activation='relu'))
model.add(keras.layers.Dense(64, activation='relu'))
model.add(keras.layers.Dense(10, activation='softmax'))
model.compile(optimizer=keras.optimizers.RMSprop(0.01),
loss=keras.losses.CategoricalCrossentropy(),
metrics=[keras.metrics.CategoricalAccuracy()])
data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))
model.fit(data, labels, epochs=10)
由子类实现
__init__()
: 所有状态变量都应在此方法中通过调用 self.add_variable()
创建,例如:self.var = self.add_variable(...)
update_state()
: 包含对状态变量的所有更新,例如:self.var.assign(...)
。result()
: 从状态变量计算并返回度量的标量值或标量值的字典。示例子类实现
class BinaryTruePositives(Metric):
def __init__(self, name='binary_true_positives', **kwargs):
super().__init__(name=name, **kwargs)
self.true_positives = self.add_variable(
shape=(),
initializer='zeros',
name='true_positives'
)
def update_state(self, y_true, y_pred, sample_weight=None):
y_true = ops.cast(y_true, "bool")
y_pred = ops.cast(y_pred, "bool")
values = ops.logical_and(
ops.equal(y_true, True), ops.equal(y_pred, True))
values = ops.cast(values, self.dtype)
if sample_weight is not None:
sample_weight = ops.cast(sample_weight, self.dtype)
sample_weight = ops.broadcast_to(
sample_weight, ops.shape(values)
)
values = ops.multiply(values, sample_weight)
self.true_positives.assign(self.true_positives + ops.sum(values))
def result(self):
return self.true_positives