tf.metrics

参考  tf.metrics - 云+社区 - 腾讯云

一、函数列表

• accuracy(...): 计算预测与标签匹配的频率。
• auc(...): 通过黎曼和计算近似AUC。
• average_precision_at_k(...): 计算相对于稀疏标签的预测的平均精度@k。
• false_negatives(...): 计算错误否定的总数。
• false_negatives_at_thresholds(...): 根据给定的阈值计算假阴性。
• false_positives(...): 对误报的权重求和。
• false_positives_at_thresholds(...): 根据给定的阈值计算假阳性。
• mean(...): 计算给定值的(加权)平均值。
• mean_absolute_error(...): 计算标签与预测之间的平均绝对误差。
• mean_cosine_distance(...): 计算标签和预测之间的余弦距离。
• mean_iou(...): 计算每步平均相交过并集(mIOU)。
• mean_per_class_accuracy(...): 计算每个类精度的平均值。
• mean_relative_error(...): 通过对给定值进行归一化，计算平均相对误差。
• mean_squared_error(...): 计算标签与预测之间的均方误差。
• mean_tensor(...): 计算给定张量的元素加权平均值。
• percentage_below(...): 计算小于给定阈值的值的百分比。
• precision(...): 计算与标签有关的预测的精度。
• precision_at_k(...): 计算关于稀疏标签的预测的精确度@k。
• precision_at_thresholds(...): 根据预测计算不同阈值的精度值。
• precision_at_top_k(...): 计算关于稀疏标签的预测的精确度@k。
• recall(...): 计算关于标签的预测的回忆。
• recall_at_k(...): 计算关于稀疏标签的预测的recall@k。
• recall_at_thresholds(...): 计算预测时不同阈值的各种回忆值。
• recall_at_top_k(...): 计算关于稀疏标签的top-k预测的recall@k。
• root_mean_squared_error(...): 计算标签与预测之间的均方根误差。
• sensitivity_at_specificity(...): 在给定的灵敏度下计算特异性。
• sparse_average_precision_at_k(...): 重新命名为average_precision_at_k，请使用该方法。(弃用)
• sparse_precision_at_k(...): 重新命名为precision_at_k，请使用该方法。(弃用)
• specificity_at_sensitivity(...): 在给定的灵敏度下计算特异性。
• true_negatives(...): 对真负数的权值求和。
• true_negatives_at_thresholds(...): 在给定的阈值上计算真负值。
• true_positives(...): 对真阳性的权重求和。
• true_positives_at_thresholds(...): 在给定的阈值上计算真值。

二、重要函数

1、tf.metrics.accuracy

计算预测与标签匹配的频率。

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

精度函数创建两个局部变量total和count，用于计算预测与标签匹配的频率。这个频率最终作为精确度返回:一个幂等运算，简单地将total除以count。为了估计数据流上的度量，函数创建一个update_op操作，更新这些变量并返回精度。在内部，is_correct操作使用元素1.0计算张量，其中预测和标签的对应元素匹配，否则计算0.0。然后update_op用权值和is_correct乘积的约简和递增total，它用权值和的约简和递增count。如果权值为空，则权值默认为1。使用0的权重来屏蔽值。

参数：

• labels:groundtruth，一个形状与预测相符的张量。
• predictions:预测值，任何形状的张量。
• weights:可选张量，其秩要么为0，要么与标签的秩相同，并且必须对标签(即，所有尺寸必须为1，或与对应标签尺寸相同)。
• metrics_collections:应该添加精确度的可选集合列表。
• updates_collections:一个可选的集合列表，update_op应该添加到其中。
• 名称:可选的variable_scope名称。

返回值：

• accuracy:表示精度的张量，总数值除以计数。
• update_op:一个操作，它适当地增加变量的总数和数量，并且其值与精确度匹配。

可能产生的异常：

• ValueError: If predictions and labels have mismatched shapes, or if weights is not None and its shape doesn't match predictions, or if either metrics_collections or updates_collections are not a list or tuple.
• RuntimeError: If eager execution is enabled.