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|LoDTensor)-数据类型为 float32,float64。输入为网络的预测值。shape 为
[sample_number, class_dim]。label (Tensor|LoDTensor)-数据类型为 int64，int32。输入为数据集的标签。shape 为
[sample_number, 1]。k (int64|int32) - 取每个类别中 k 个预测值用于计算。
correct (int64|int32)-正确预测值的个数。
total (int64|int32)-总共的预测值。
返回¶
Tensor，计算出来的正确率，数据类型为 float32。
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=[-1,1], dtype="int")
fc_out = static.nn.fc(x=data, size=10)
predict = F.softmax(x=fc_out)
result = static.accuracy(input=predict, label=label, k=5)
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.], dtype=float32)]