tf.keras.metrics.SparseCategoricalAccuracy

Вычисляет частоту совпадений предсказаний с целочисленными метками.

Наследуется от: MeanMetricWrapper, Mean, Metric, Layer, Module

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 как y_pred, так как argmax логарифмов и вероятностей совпадают.

Эта метрика 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 — None, значения весов по умолчанию равны 1. Используйте значение sample_weight 0 для маскирования значений.

Использование автономно:

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_state()
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

merge_state

View source

merge_state(
    metrics
)

Объединяет состояние из одной или нескольких метрик.

Этот метод может использоваться распределёнными системами для объединения состояния, вычисленного различными экземплярами метрик. Как правило, состояние хранится в виде весов метрики. Например, метрика tf.keras.metrics.Mean содержит список из двух значений весов: общее значение и счётчик. Если есть два экземпляра tf.keras.metrics.Accuracy, каждый из которых независимо агрегирует частичное состояние для вычисления общей точности, состояния этих двух метрик можно объединить следующим образом:

m1 = tf.keras.metrics.Accuracy()
_ = m1.update_state([[1], [2]], [[0], [2]])

m2 = tf.keras.metrics.Accuracy()
_ = m2.update_state([[3], [4]], [[3], [4]])

m2.merge_state([m1])
m2.result().numpy()
0.75

reset_state

View source

reset_state()

Сбрасывает все переменные состояния метрики.

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

result

View source

result()

Вычисляет и возвращает скалярное тензорное значение метрики или словарь скалярных значений.

Вычисление результата — это идемпотентная операция, которая просто вычисляет значение метрики, используя переменные состояния.

update_state

View source

update_state(
    y_true, y_pred, sample_weight=None
)

Накапливает статистику метрики.

Для метрик с разреженными категориями формы y_true и y_pred отличаются.