accuracy¶
accuracy layer。参考 https://en.wikipedia.org/wiki/Precision_and_recall
使用输入和标签计算准确率。如果正确的标签在 topk 个预测值里,则计算结果加 1。注意:输出正确率的类型由 input 类型决定,input 和 lable 的类型可以不一样。
参数¶
input (Tensor)-数据类型为 float32,float64。输入为网络的预测值。shape 为
[sample_number, class_dim]
。label (Tensor)-数据类型为 int64。输入为数据集的标签。shape 为
[sample_number, 1]
。k (int,可选) - 取每个类别中 k 个预测值用于计算,默认值为 1。
correct (int,可选) - 正确预测值的个数,默认值为 None。
total (int,可选) - 总共的预测值,默认值为 None。
name (str,可选) - 具体用法请参见 Name,一般无需设置,默认值为 None。
返回¶
Tensor
,计算出来的正确率,数据类型为 float32 的 Tensor。
代码示例¶
import paddle
predictions = paddle.to_tensor([[0.2, 0.1, 0.4, 0.1, 0.1], [0.2, 0.3, 0.1, 0.15, 0.25]], dtype='float32')
label = paddle.to_tensor([[2], [0]], dtype="int64")
result = paddle.metric.accuracy(input=predictions, label=label, k=1)
# [0.5]