Accuracy

class paddle.metric. Accuracy [源代码]

计算准确率(accuracy)。

参数:

  • topk (int|tuple(int)) - 计算准确率的top个数,默认是1。

  • name (str, optional) - metric实例的名字,默认是'acc'。

代码示例

独立使用示例:

import numpy as np
import paddle

x = paddle.to_tensor(np.array([
    [0.1, 0.2, 0.3, 0.4],
    [0.1, 0.4, 0.3, 0.2],
    [0.1, 0.2, 0.4, 0.3],
    [0.1, 0.2, 0.3, 0.4]]))
y = paddle.to_tensor(np.array([[0], [1], [2], [3]]))

m = paddle.metric.Accuracy()
correct = m.compute(x, y)
m.update(correct)
res = m.accumulate()
print(res) # 0.75

在Model API中的示例:

import paddle
from paddle.static import InputSpec
import paddle.vision.transforms as T
from paddle.vision.datasets import MNIST

input = InputSpec([None, 1, 28, 28], 'float32', 'image')
label = InputSpec([None, 1], 'int64', 'label')
transform = T.Compose([T.Transpose(), T.Normalize([127.5], [127.5])])
train_dataset = MNIST(mode='train', transform=transform)

model = paddle.Model(paddle.vision.LeNet(), input, label)
optim = paddle.optimizer.Adam(
    learning_rate=0.001, parameters=model.parameters())
model.prepare(
    optim,
    loss=paddle.nn.CrossEntropyLoss(),
    metrics=paddle.metric.Accuracy())

model.fit(train_dataset, batch_size=64)
compute ( pred, label, *args )

计算top-k(topk中的最大值)的索引。

参数:

  • pred (Tensor) - 预测结果为是float64或float32类型的Tensor。shape为[batch_size, d0, ..., dN].

  • label (Tensor) - 真实的标签值是一个int64类型的Tensor,shape为[batch_size, d0, ..., 1] 或one hot表示的形状[batch_size, d0, ..., num_classes].

返回: 一个Tensor,shape是[batch_size, d0, ..., topk], 值为0或1,1表示预测正确.

update ( pred, label, *args )

更新metric的状态(正确预测的个数和总个数),以便计算累积的准确率。返回当前step的准确率。

参数:

  • correct (numpy.array | Tensor): 一个值为0或1的Tensor,shape是[batch_size, d0, ..., topk]。

返回: 当前step的准确率。

reset ( )

清空状态和计算结果。

返回

accumulate ( )

累积的统计指标,计算和返回准确率。

返回

准确率,一般是个标量 或 多个标量,和topk的个数一致。

name ( )

返回Metric实例的名字, 参考上述name,默认是'acc'。

返回

评估的名字,string类型。