auc

paddle.fluid.layers.auc(input, label, curve='ROC', num_thresholds=200, topk=1, slide_steps=1)[源代码]

Area Under the Curve(AUC) Layer

该层根据前向输出和标签计算AUC,在二分类(binary classification)估计中广泛使用。

注:如果输入标注包含一种值,只有0或1两种情况,数据类型则强制转换成布尔值。相关定义可以在这里: https://en.wikipedia.org/wiki/Receiver_operating_characteristic#Area_under_the_curve 找到

有两种可能的曲线:

  1. ROC:受试者工作特征曲线
  2. PR:准确率召回率曲线
参数:
  • input (Tensor|LoDTensor) - 数据类型为float32,float64。浮点二维变量,值的范围为[0,1]。每一行降序排列。该输入为网络预测值的输入。
  • label (Tensor|LoDTensor) - 数据类型为int32,int64。二维整型变量,为训练数据的标签。
  • curve (str) - 曲线类型,可以为 ROCPR,默认 ROC
  • num_thresholds (int) - 将roc曲线离散化时使用的临界值数。默认200。
  • topk (int) - 取topk的输出值用于计算。
  • slide_steps (int) - 当计算batch auc时,不仅用当前步也用于先前步。slide_steps=1,表示用当前步;slide_steps = 3表示用当前步和前两步;slide_steps = 0,则用所有步。

返回:代表当前AUC的一个元组。 返回的元组为auc_out, batch_auc_out, [batch_stat_pos, batch_stat_neg, stat_pos, stat_neg]。 auc_out为准确率的结果。 batch_auc_out为batch准确率的结果。 batch_stat_pos为batch计算时label=1的统计值 batch_stat_neg为batch计算时label=0的统计值 stat_pos计算时label=1的统计值 stat_neg为计算时label=0的统计值

返回类型: Variable(Tensor),数据类型为float32或float64的Tensor。

代码示例

import paddle.fluid as fluid
import numpy as np

data = fluid.layers.data(name="input", shape=[-1, 32,32], dtype="float32")
label = fluid.layers.data(name="label", shape=[1], dtype="int")
fc_out = fluid.layers.fc(input=data, size=2)
predict = fluid.layers.softmax(input=fc_out)
result=fluid.layers.auc(input=predict, label=label)

place = fluid.CPUPlace()
exe = fluid.Executor(place)

exe.run(fluid.default_startup_program())
x = np.random.rand(3,32,32).astype("float32")
y = np.array([1,0,1])
output= exe.run(feed={"input": x,"label": y},
                 fetch_list=[result[0]])
print(output)
"""
output:
[array([0.5])]
"""