Python tf.compat.v1.metrics.accuracy用法及代码示例

计算 predictions 匹配 labels 的频率。

用法

tf.compat.v1.metrics.accuracy(
    labels, predictions, weights=None, metrics_collections=None,
    updates_collections=None, name=None
)

迁移到 TF2

警告：这个 API 是为 TensorFlow v1 设计的。继续阅读有关如何从该 API 迁移到本机 TensorFlow v2 等效项的详细信息。见TensorFlow v1 到 TensorFlow v2 迁移指南有关如何迁移其余代码的说明。

tf.compat.v1.metrics.accuracy 与即刻执行或 tf.function 不兼容。请改用tf.keras.metrics.Accuracy 进行 TF2 迁移。实例化tf.keras.metrics.Accuracy对象后，可以先调用update_state()方法记录预测/标签，然后调用result()方法即刻获取准确率。您还可以在调用compile 方法时将其附加到 Keras 模型。有关详细信息，请参阅本指南。

到原生 TF2 的结构映射

前：

accuracy, update_op = tf.compat.v1.metrics.accuracy(
  labels=labels,
  predictions=predictions,
  weights=weights,
  metrics_collections=metrics_collections,
  update_collections=update_collections,
  name=name)

后：

m = tf.keras.metrics.Accuracy(
   name=name,
   dtype=None)

 m.update_state(
 y_true=labels,
 y_pred=predictions,
 sample_weight=weights)

 accuracy = m.result()

如何映射参数

TF1 参数名称	TF2 参数名称	注意
label	y_true	在update_state() 方法中
predictions	y_true	在update_state() 方法中
weights	sample_weight	在update_state() 方法中
metrics_collections	不支持	应显式跟踪指标或使用 Keras API，例如add_metric，而不是通过集合
updates_collections	不支持	-
name	name	在构造函数中

使用示例之前和之后

前：

g = tf.Graph()
with g.as_default():
  logits = [1, 2, 3]
  labels = [0, 2, 3]
  acc, acc_op = tf.compat.v1.metrics.accuracy(logits, labels)
  global_init = tf.compat.v1.global_variables_initializer()
  local_init = tf.compat.v1.local_variables_initializer()
sess = tf.compat.v1.Session(graph=g)
sess.run([global_init, local_init])
print(sess.run([acc, acc_op]))
[0.0, 0.66667]

后：

m = tf.keras.metrics.Accuracy()
m.update_state([1, 2, 3], [0, 2, 3])
m.result().numpy()
0.66667

# Used within Keras model
model.compile(optimizer='sgd',
              loss='mse',
              metrics=[tf.keras.metrics.Accuracy()])

accuracy 函数创建两个局部变量 total 和 count 用于计算 predictions 匹配 labels 的频率。该频率最终返回为 accuracy ：一个幂等运算，只需将 total 除以 count 。

为了估计数据流上的度量，该函数创建一个 update_op 操作来更新这些变量并返回 accuracy 。在内部，is_correct 操作计算 Tensor，其中元素 1.0 与 predictions 和 labels 的对应元素匹配，否则为 0.0。然后 update_op 将 total 与 weights 和 is_correct 的乘积的减和相加，并用 weights 的减和后增加 count 。

如果 weights 是 None ，则权重默认为 1。使用权重 0 来屏蔽值。