auc

paddle.static. 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找到: https://en.wikipedia.org/wiki/Receiver_operating_characteristic#Area_under_the_curve

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 ROC 或 PR，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

tuple，当前计算出的AUC。数据类型是tensor，支持float32和float64。

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。

代码示例

import numpy as np

import paddle
import paddle.static as static
import paddle.nn.functional as F

paddle.enable_static()
data = static.data(name="input", shape=[-1, 32,32], dtype="float32")
label = static.data(name="label", shape=[-1], dtype="int")
fc_out = static.nn.fc(x=data, size=2)
predict = F.softmax(x=fc_out)
result = static.auc(input=predict, label=label)

place = paddle.CPUPlace()
exe = static.Executor(place)

exe.run(static.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)
#[array([0.])]