tf.keras.metrics.SparseCategoricalAccuracy

Вычисляет частоту совпадения предсказаний с целочисленными метками.

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

acc = np.dot(sample_weight, np.equal(y_true, np.argmax(y_pred, axis=1))

Вы можете предоставить логарифмы классов в качестве y_pred, поскольку 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 sample_weight значения 0 для маскирования значений.

Использование в отдельном режиме:

m = tf.keras.metrics.SparseCategoricalAccuracy()
m.update_state([[2], [1]], [[0.1, 0.6, 0.3], [0.05, 0.95, 0]])
m.result().numpy()
0.5

m.reset_states()
m.update_state([[2], [1]], [[0.1, 0.6, 0.3], [0.05, 0.95, 0]],
               sample_weight=[0.7, 0.3])
m.result().numpy()
0.3

Использование с API compile():

model.compile(
    optimizer='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 помощью переменных состояния.

update_state

Просмотреть исходный код

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистические данные метрики.

y_true и y_pred должны иметь одинаковую форму.