Python mxnet.metric.Perplexity用法及代码示例

用法: class mxnet.metric.Perplexity(ignore_label, axis=-1, name='perplexity', output_names=None, label_names=None)

参数：

ignore_label：(int or None) - 计数时要忽略的无效标签索引。默认情况下，设置为 -1。如果设置为None，它将包括所有条目。
axis：(int (default -1)) - 用于计算 softmax 的预测轴。默认情况下使用最后一个轴。
name：(str) - 此度量实例的名称用于显示。
output_names：(list of str, or None) - 使用update_dict 更新时应使用的预测名称。默认情况下包括所有预测。
label_names：(list of str, or None) - 使用update_dict 更新时应使用的标签名称。默认情况下包括所有标签。

基础： mxnet.metric.EvalMetric

计算困惑度。

困惑度是对概率分布或模型对样本的预测程度的度量。低困惑度表明该模型擅长预测样本。

模型 q 的困惑度定义为

\[b^{\big(-\frac{1}{N} \sum_{i=1}^N \log_b q(x_i) \big)} = \exp \big(-\frac{1}{N} \sum_{i=1}^N \log q(x_i)\big)\]

我们让 b = e 。

\(q(x_i)\) 是其在样本 \(x_i\) 上的真实标签的预测值。

例如，我们有三个样本 \(x_1, x_2, x_3\) ，它们的标签是 \([0, 1, 1]\) 。假设我们的模型预测 \(q(x_1) = p(y_1 = 0 | x_1) = 0.3\) 和 \(q(x_2) = 1.0\) ， \(q(x_3) = 0.6\) 。模型 q 的困惑度是 \(exp\big(-(\log 0.3 + \log 1.0 + \log 0.6) / 3\big) = 1.77109762852\) 。

例子：

>>> predicts = [mx.nd.array([[0.3, 0.7], [0, 1.], [0.4, 0.6]])]
>>> labels   = [mx.nd.array([0, 1, 1])]
>>> perp = mx.metric.Perplexity(ignore_label=None)
>>> perp.update(labels, predicts)
>>> print perp.get()
('Perplexity', 1.7710976285155853)

相关用法

注：本文由纯净天空筛选整理自apache.org大神的英文原创作品 mxnet.metric.Perplexity。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。