Класс SparseCategoricalAccuracy

Класс SparseCategoricalAccuracy вычисляет точность модели для задач категориальной классификации, в которых истинные метки классов передаются в виде целых чисел (индексов классов), а не в виде one-hot векторов. Класс наследуется от MeanMetricWrapper и возвращает долю правильных предсказаний.

Первым параметром передаётся имя метрики name (по умолчанию 'sparse_categorical_accuracy'). Вторым параметром dtype задаётся тип данных для вычислений (по умолчанию float32). Метод update_state принимает истинные метки y_true (целые числа) и предсказанные вероятности y_pred. Метод result возвращает текущее значение точности, а reset_state сбрасывает накопленную статистику.

Синтаксис

tf.keras.metrics.SparseCategoricalAccuracy(name='sparse_categorical_accuracy', dtype=None)

Пример

Давайте создадим метрику и обновим её состояние на одном батче данных:

import tensorflow as tf

metric = tf.keras.metrics.SparseCategoricalAccuracy()

y_true = tf.constant([1, 2, 0, 1])
y_pred = tf.constant([
	[0.1, 0.7, 0.2],
	[0.1, 0.2, 0.7],
	[0.8, 0.1, 0.1],
	[0.3, 0.5, 0.2]
])

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

Результат выполнения кода:

1.0

Пример

Давайте вычислим точность для случая с частично неверными предсказаниями:

import tensorflow as tf

metric = tf.keras.metrics.SparseCategoricalAccuracy()

y_true = tf.constant([0, 1, 2])
y_pred = tf.constant([
	[0.7, 0.2, 0.1],
	[0.1, 0.2, 0.7],
	[0.2, 0.3, 0.5]
])

metric.update_state(y_true, y_pred)
print(metric.result().numpy())
	<-python+>

Результат выполнения кода:

0.33333334

Пример

Давайте используем метрику в процессе обучения модели:

import tensorflow as tf
import numpy as np

tf.random.set_seed(0)

model = tf.keras.Sequential([
	tf.keras.layers.Dense(3, activation='softmax', input_shape=(4,))
])
model.compile(
	optimizer='sgd',
	loss='sparse_categorical_crossentropy',
	metrics=[tf.keras.metrics.SparseCategoricalAccuracy()]
)

x = np.random.rand(8, 4)
y = np.random.randint(0, 3, size=(8,))

history = model.fit(x, y, epochs=1, verbose=0)
print(history.history['sparse_categorical_accuracy'])

Результат выполнения кода:

[0.375]

Пример

Давайте сбросим состояние метрики с помощью метода reset_state:

import tensorflow as tf

metric = tf.keras.metrics.SparseCategoricalAccuracy()

y_true = tf.constant([1, 0])
y_pred = tf.constant([
	[0.2, 0.8],
	[0.6, 0.4]
])

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

metric.reset_state()
print(metric.result().numpy())

Результат выполнения кода:

1.0
0.0

Смотрите также

класс CategoricalAccuracy,
который вычисляет точность для one-hot меток
класс SparseCategoricalCrossentropy,
который вычисляет разреженную категориальную кросс-энтропию
класс SparseTopKCategoricalAccuracy,
который вычисляет точность попадания в топ-K классов
класс Accuracy,
который вычисляет общую точность предсказаний