在Keras模型中使用精度评估神经网络

2 回答

• 1

  准确度是正确分类的样本数除以所有样本的数量 . 它不涉及任何每级精度 .

  以下是Keras用于计算二进制精度的代码：

  K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)
  

  回复于 2024-04-28T17:31:06+08:00
• 3

  Keras将从其代码中的可能指标列表中进行选择 . 从metrics源代码中，有五种可能性：

  def binary_accuracy(y_true, y_pred):
      return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)
  
  def categorical_accuracy(y_true, y_pred):
      return K.cast(K.equal(K.argmax(y_true, axis=-1),
      K.argmax(y_pred, axis=-1)),
      K.floatx())
  
  def sparse_categorical_accuracy(y_true, y_pred):
      return K.cast(K.equal(K.max(y_true, axis=-1),
      K.cast(K.argmax(y_pred, axis=-1), K.floatx())),
      K.floatx())
  
  def top_k_categorical_accuracy(y_true, y_pred, k=5):
      return K.mean(K.in_top_k(y_pred, K.argmax(y_true, axis=-1), k), axis=-1)
  
  def sparse_top_k_categorical_accuracy(y_true, y_pred, k=5):
      return K.mean(K.in_top_k(y_pred, K.cast(K.max(y_true, axis=-1), 'int32'), k), axis=-1)
  

  选择取决于您拥有的模型类型和损失函数 . 在training模块中，您会看到它选择精度函数：

  if (output_shape[-1] == 1 or self.loss_functions[i] == losses.binary_crossentropy):
      # case: binary accuracy
      acc_fn = metrics_module.binary_accuracy
  
  elif self.loss_functions[i] == losses.sparse_categorical_crossentropy:
      # case: categorical accuracy with sparse targets
      acc_fn = metrics_module.sparse_categorical_accuracy
  
  else:
      acc_fn = metrics_module.categorical_accuracy
  

  在您的模型中，您有2个输出和 categorical_crossentropy 损失，因此您将陷入案例3，您的准确性将是：

  def categorical_accuracy(y_true, y_pred):
      return K.cast(K.equal(K.argmax(y_true, axis=-1),
      K.argmax(y_pred, axis=-1)),
      K.floatx())
  

  翻译时，您的模型只需要一个类为真，如果具有最大值的预测类的索引等于真实类的索引，则计为正确 .

  例：

  • 预测：[0.7; 0.3] /// true：[1; 0] ---算得对

  • 预测：[0.8; 0,2] /// true：[0; 1] ---算错了

  回复于 2024-04-28T17:31:06+08:00