Metric¶
评估器 metric 的基类。
用法:
m = SomeMetric() for prediction, label in ...: m.update(prediction, label) m.accumulate()
compute 接口的进阶用法:
在 compute 中可以使用 PaddlePaddle 内置的算子进行评估器的状态,而不是通过 Python/NumPy,这样可以加速计算。update 接口将 compute 的输出作为 输入,内部采用 Python/NumPy 计算。
Metric 计算流程如下 (在{}中的表示模型和评估器的计算):
inputs & labels || ------------------ | || {model} || | || outputs & labels || | || tensor data {Metric.compute} || | || metric states(tensor) || | || {fetch as numpy} || ------------------ | || metric states(numpy) || numpy data | || {Metric.update} \/ ------------------
代码示例 1¶
以 计算正确率的 Accuracy 为例,该评估器的输入为 pred 和 label,可以在 compute 中通过 pred 和 label`先计算正确预测的矩阵。 例如,预测结果包含 10 类,`pred 的 shape 是[N, 10],label 的 shape 是[N, 1],N 是 batch size,我们需要计算 top-1 和 top-5 的准确率, 可以在 compute 中计算每个样本的 top-5 得分,正确预测的矩阵的 shape 是[N, 5]。
def compute(pred, label): # sort prediction and slice the top-5 scores pred = paddle.argsort(pred, descending=True)[:, :5] # calculate whether the predictions are correct correct = pred == label return paddle.cast(correct, dtype='float32')
代码示例 2¶
在 compute 中的计算,使用内置的算子(可以跑在 GPU 上,使得速度更快)。作为 update 的输入,该接口计算如下:
def update(self, correct): accs = [] for i, k in enumerate(self.topk): num_corrects = correct[:, :k].sum() num_samples = len(correct) accs.append(float(num_corrects) / num_samples) self.total[i] += num_corrects self.count[i] += num_samples return accs
方法¶
update(*args)¶
更新状态。如果定义了 compute , update 的输入是 compute 的输出。如果没有定义,则输入是网络的输出**output**和标签**label**, 如:update(output1, output2, ..., label1, label2,...) 。
也可以参考 update 。
compute()¶
此接口可以通过 PaddlePaddle 内置的算子计算 metric 的状态,可以加速 metric 的计算,为可选的高阶接口。
如果这个接口定义了,输入是网络的输出 outputs 和 标签 labels,定义如:compute(output1, output2, ..., label1, label2,...) 。
如果这个接口没有定义,默认的行为是直接将输入参数返回给 update,则其定义如:update(output1, output2, ..., label1, label2,...) 。
也可以参考 compute 。