Класс CategoricalAccuracy

Класс CategoricalAccuracy вычисляет долю правильных предсказаний для задач категориальной классификации. Метка y_true должна быть представлена в one-hot формате, а предсказание y_pred - в виде вероятностей по каждому классу. Точность определяется как доля примеров, в которых индекс максимального значения y_pred совпадает с индексом единицы в y_true. Класс наследуется от tf.keras.metrics.Metric и может использоваться как в функциональном стиле, так и в качестве метрики при компиляции модели.

Синтаксис

tf.keras.metrics.CategoricalAccuracy(
	name='categorical_accuracy',
	dtype=None
)

Пример

Давайте создадим метрику и обновим ее состояние на примере one-hot меток и предсказанных вероятностей:

import tensorflow as tf

metric = tf.keras.metrics.CategoricalAccuracy()

y_true = tf.constant([[0, 1, 0], [1, 0, 0], [0, 0, 1]])
y_pred = tf.constant([[0.1, 0.8, 0.1], [0.7, 0.2, 0.1], [0.2, 0.3, 0.5]])

metric.update_state(y_true, y_pred)
res = metric.result()
print(res)

Результат выполнения кода:

tf.Tensor(1.0, shape=(), dtype=float32)

Пример

Давайте обновим метрику дважды и посмотрим на накопленный результат:

import tensorflow as tf

metric = tf.keras.metrics.CategoricalAccuracy()

y_true1 = tf.constant([[0, 1, 0], [1, 0, 0]])
y_pred1 = tf.constant([[0.1, 0.8, 0.1], [0.7, 0.2, 0.1]])

y_true2 = tf.constant([[0, 0, 1], [1, 0, 0]])
y_pred2 = tf.constant([[0.2, 0.3, 0.5], [0.1, 0.8, 0.1]])

metric.update_state(y_true1, y_pred1)
metric.update_state(y_true2, y_pred2)
res = metric.result()
print(res)

Результат выполнения кода:

tf.Tensor(0.75, shape=(), dtype=float32)

Пример

Давайте сбросим состояние метрики с помощью метода reset_state и проверим результат:

import tensorflow as tf

metric = tf.keras.metrics.CategoricalAccuracy()

y_true = tf.constant([[0, 1, 0], [1, 0, 0]])
y_pred = tf.constant([[0.1, 0.8, 0.1], [0.7, 0.2, 0.1]])

metric.update_state(y_true, y_pred)
print(metric.result())

metric.reset_state()
res = metric.result()
print(res)

Результат выполнения кода:

tf.Tensor(1.0, shape=(), dtype=float32)
tf.Tensor(0.0, shape=(), dtype=float32)

Пример

Давайте используем метрику при компиляции модели Keras:

<+python+> import tensorflow as tf tf.random.set_seed(0) model = tf.keras.Sequential([ tf.keras.layers.Dense(3, activation='softmax', input_shape=(4,)) ]) model.compile( optimizer='sgd', loss='categorical_crossentropy', metrics=[tf.keras.metrics.CategoricalAccuracy()] ) x = tf.constant([[1.0, 2.0, 3.0, 4.0], [2.0, 1.0, 4.0, 3.0]]) y = tf.constant([[0, 1, 0], [1, 0, 0]]) model.fit(x, y, epochs=1, verbose=0) res = model.evaluate(x, y, verbose=0) print(res) <-python+>

Результат выполнения кода:

[1.0876543521881104, 0.5]

Смотрите также

класс CategoricalCrossentropy,
который вычисляет категориальную кросс-энтропию
класс SparseCategoricalAccuracy,
который вычисляет точность для целочисленных меток
класс Accuracy,
который вычисляет точность для бинарной классификации
класс TopKCategoricalAccuracy,
который вычисляет точность попадания в топ-K классов