tf.keras.metrics.SparseCategoricalAccuracy

Вычисляет частоту совпадения предсказаний с целочисленными метками.

tf.keras.metrics.SparseCategoricalAccuracy(
    name='sparse_categorical_accuracy', dtype=None
)

Например, если y_true равно [[2], [1]] и y_pred равно [[0.1, 0.9, 0.8], [0.05, 0.95, 0]] то категоричная точность составляет 1/2 или 0,5. Если веса заданы как [0,7, 0,3], то категоричная точность будет 0,3. Вы можете предоставить логарифмы классов как y_pred, так как argmax логарифмов и вероятностей одинаковы.

Этот метрический показатель создаёт две локальные переменные, total и count, которые используются для вычисления частоты, с которой y_pred совпадает с y_true. Эта частота в конечном итоге возвращается как sparse categorical accuracy: идемпотентная операция, которая просто делит total на count.

Если sample_weight равно None, веса по умолчанию равны 1. Используйте веса 0 для маскирования значений.

Использование:

m = tf.keras.metrics.SparseCategoricalAccuracy()
m.update_state([[2], [1]], [[0.1, 0.9, 0.8], [0.05, 0.95, 0]])
print('Final result: ', m.result().numpy())  # Final result: 0.5

Использование с API tf.keras:

model = tf.keras.Model(inputs, outputs)
model.compile(
    'sgd',
    loss='mse',
    metrics=[tf.keras.metrics.SparseCategoricalAccuracy()])

Методы

reset_states

Просмотреть исходный код

reset_states()

Сбрасывает все переменные состояния метрики.

Эта функция вызывается между эпохами/шагами, когда метрика оценивается во время обучения.

result

Просмотреть исходный код

result()

Вычисляет и возвращает тензор значения метрики.

Вычисление результата — это идемпотентная операция, которая просто вычисляет значение метрики с использованием переменных состояния.

update_state

Просмотреть исходный код

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистику метрики.

y_true и y_pred должны иметь одинаковую форму.