auc¶
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:
ROC:受试者工作特征曲线
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.])]