accuracy¶
accuracy layer。参考 https://en.wikipedia.org/wiki/Precision_and_recall
使用 input 和 label 计算准确率。如果正确的 label 在 top k 个预测值里，则计算结果加 1。
注解
输出正确率的类型由 input 的类型决定，input 和 label 的类型可以不一样。
参数¶
input (Tensor) - accuracy layer 的输入，即网络的预测值，数据类型为 float32 或 float64 的 Tensor，shape 为
[sample_number, class_dim]。label (Tensor) - 数据集的标签，数据类型为 int64 或 int32 的 Tensor，shape 为
[sample_number, 1]。k (int，可选) - 取每个类别中 top k 个预测值用于计算，数据类型为 int64 或 int32，默认值为 1。
correct (Tensor，可选) - 正确预测值的个数，数据类型为 int64 或 int32 的 Tensor，默认值为 None。
total (Tensor，可选) - 总共的预测值，数据类型为 int64 或 int32 的 Tensor，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)
>>> print(result)
Tensor(shape=[], dtype=float32, place=Place(cpu), stop_gradient=True,
0.50000000)