基礎指標類別
Metric 類別
keras.metrics.Metric(dtype=None, name=None)
封裝指標邏輯和狀態。
參數
- name：指標實例的可選名稱。
- dtype：指標計算的 dtype。預設為
None，表示使用keras.backend.floatx()。除非設定為不同的值（透過keras.backend.set_floatx()），否則keras.backend.floatx()為"float32"。如果提供了keras.DTypePolicy，則將使用compute_dtype。
範例
m = SomeMetric(...)
for input in ...:
m.update_state(input)
print('Final result: ', m.result())
與 compile() API 的使用方式
model = keras.Sequential()
model.add(keras.layers.Dense(64, activation='relu'))
model.add(keras.layers.Dense(64, activation='relu'))
model.add(keras.layers.Dense(10, activation='softmax'))
model.compile(optimizer=keras.optimizers.RMSprop(0.01),
loss=keras.losses.CategoricalCrossentropy(),
metrics=[keras.metrics.CategoricalAccuracy()])
data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))
model.fit(data, labels, epochs=10)
由子類別實作
__init__()：所有狀態變數都應在此方法中透過呼叫self.add_variable()來建立，例如：self.var = self.add_variable(...)update_state()：包含對狀態變數的所有更新，例如：self.var.assign(...)。result()：從狀態變數計算並傳回指標的純量值或純量值字典。
範例子類別實作
class BinaryTruePositives(Metric):
def __init__(self, name='binary_true_positives', **kwargs):
super().__init__(name=name, **kwargs)
self.true_positives = self.add_variable(
shape=(),
initializer='zeros',
name='true_positives'
)
def update_state(self, y_true, y_pred, sample_weight=None):
y_true = ops.cast(y_true, "bool")
y_pred = ops.cast(y_pred, "bool")
values = ops.logical_and(
ops.equal(y_true, True), ops.equal(y_pred, True))
values = ops.cast(values, self.dtype)
if sample_weight is not None:
sample_weight = ops.cast(sample_weight, self.dtype)
sample_weight = ops.broadcast_to(
sample_weight, ops.shape(values)
)
values = ops.multiply(values, sample_weight)
self.true_positives.assign(self.true_positives + ops.sum(values))
def result(self):
return self.true_positives