Accuracy¶

class paddle.metric. Accuracy ( topk=(1,), name=None, *args, **kwargs ) [源代码] ¶

计算准确率(accuracy)。

参数：¶

topk (list[int]|tuple[int]，可选) - 计算准确率的 top 个数，默认值为 (1,)。

name (str，可选) - metric 实例的名字。默认值为 None，表示使用默认名字 'acc'。

代码示例¶

独立使用示例:

            import numpy as np
import paddle
x = paddle.to_tensor(np.array([
    [0.1, 0.2, 0.3, 0.4],
    [0.1, 0.4, 0.3, 0.2],
    [0.1, 0.2, 0.4, 0.3],
    [0.1, 0.2, 0.3, 0.4]]))
y = paddle.to_tensor(np.array([[0], [1], [2], [3]]))
m = paddle.metric.Accuracy()
correct = m.compute(x, y)
m.update(correct)
res = m.accumulate()
print(res) # 0.75

           

在 Model API 中的示例

            import paddle
from paddle.static import InputSpec
import paddle.vision.transforms as T
from paddle.vision.datasets import MNIST

input = InputSpec([None, 1, 28, 28], 'float32', 'image')
label = InputSpec([None, 1], 'int64', 'label')
transform = T.Compose([T.Transpose(), T.Normalize([127.5], [127.5])])
train_dataset = MNIST(mode='train', transform=transform)

model = paddle.Model(paddle.vision.models.LeNet(), input, label)
optim = paddle.optimizer.Adam(
    learning_rate=0.001, parameters=model.parameters())
model.prepare(
    optim,
    loss=paddle.nn.CrossEntropyLoss(),
    metrics=paddle.metric.Accuracy())

model.fit(train_dataset, batch_size=64)

           

compute(pred, label, *args)¶

计算 top-k（topk 中的最大值）的索引。

参数

pred (Tensor) - 预测结果为是 float64 或 float32 类型的 Tensor。shape 为[batch_size, d0, ..., dN].

label (Tensor) - 真实的标签值是一个 int64 类型的 Tensor，shape 为[batch_size, d0, ..., 1] 或 one hot 表示的形状[batch_size, d0, ..., num_classes].

返回

Tensor，shape 是[batch_size, d0, ..., topk], 值为 0 或 1，1 表示预测正确.

update(correct, *args)¶

更新 metric 的状态（正确预测的个数和总个数），以便计算累积的准确率。返回当前 step 的准确率。

参数

correct (numpy.array | Tensor): 一个值为 0 或 1 的 Tensor，shape 是[batch_size, d0, ..., topk]。

返回

当前 step 的准确率。

reset()¶

清空状态和计算结果。

accumulate()¶

累积的统计指标，计算和返回准确率。

返回

准确率，一般是个标量或多个标量，和 topk 的个数一致。

name()¶

返回 Metric 实例的名字, 参考上述 name，默认是'acc'。

返回

评估的名字，string 类型。