評估標準Metrics

評價函數的用法

評價函數用于評估當前訓練模型的性能。當模型編譯后（compile），評價函數應該作為 metrics 的參數來輸入。

model.compile(loss='mean_squared_error',optimizer='sgd',metrics=['mae', 'acc']) from keras import metricsmodel.compile(loss='mean_squared_error',optimizer='sgd',metrics=[metrics.mae, metrics.categorical_accuracy])

評價函數和 損失函數 相似，只不過評價函數的結果不會用于訓練過程中。

我們可以傳遞已有的評價函數名稱，或者傳遞一個自定義的 Theano/TensorFlow 函數來使用（查閱自定義評價函數）。

參數

• y_true: 真實標簽，Theano/Tensorflow 張量。
• y_pred: 預測值。和 y_true 相同尺寸的 Theano/TensorFlow 張量。

返回值

返回一個表示全部數據點平均值的張量。

可使用的評價函數

binary_accuracy

binary_accuracy(y_true, y_pred)

categorical_accuracy

categorical_accuracy(y_true, y_pred)

sparse_categorical_accuracy

sparse_categorical_accuracy(y_true, y_pred)

top_k_categorical_accuracy

top_k_categorical_accuracy(y_true, y_pred, k=5)

sparse_top_k_categorical_accuracy

sparse_top_k_categorical_accuracy(y_true, y_pred, k=5)

自定義評價函數

自定義評價函數應該在編譯的時候（compile）傳遞進去。該函數需要以 (y_true, y_pred) 作為輸入參數，并返回一個張量作為輸出結果。

import keras.backend as Kdef mean_pred(y_true, y_pred):return K.mean(y_pred)model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy', mean_pred])

總結

以上是生活随笔為你收集整理的Keras中文文档 评估标准Metrics的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。