accuracy

  • paddle.fluid.layers.accuracy(input, label, k=1, correct=None, total=None)[源代码]

accuracy layer。 参考 https://en.wikipedia.org/wiki/Precision_and_recall

使用输入和标签计算准确率。 如果正确的标签在topk个预测值里,则计算结果加1。注意:输出正确率的类型由input类型决定,input和lable的类型可以不一样。

  • 参数:
    • input (Tensor|LoDTensor)-数据类型为float32,float64。输入为网络的预测值。shape为 [sample_number, class_dim]
    • label (Tensor|LoDTensor)-数据类型为int64,int32。输入为数据集的标签。shape为 [sample_number, 1]
    • k (int64|int32) - 取每个类别中k个预测值用于计算。
    • correct (int64|int32)-正确预测值的个数。
    • total (int64|int32)-总共的预测值。

返回: 计算出来的正确率。

返回类型: Variable(Tensor),数据类型为float32的Tensor

代码示例

  1. import paddle.fluid as fluid
  2. import numpy as np
  3.  
  4. data = fluid.layers.data(name="input", shape=[-1, 32, 32], dtype="float32")
  5. label = fluid.layers.data(name="label", shape=[-1,1], dtype="int")
  6. fc_out = fluid.layers.fc(input=data, size=10)
  7. predict = fluid.layers.softmax(input=fc_out)
  8. result = fluid.layers.accuracy(input=predict, label=label, k=5)
  9.  
  10. place = fluid.CPUPlace()
  11. exe = fluid.Executor(place)
  12.  
  13. exe.run(fluid.default_startup_program())
  14. x = np.random.rand(3, 32, 32).astype("float32")
  15. y = np.array([[1],[0],[1]])
  16. output= exe.run(feed={"input": x,"label": y},
  17. fetch_list=[result[0]])
  18. print(output)
  19.  
  20. """
  21. Output:
  22. [array([0.6666667], dtype=float32)]
  23. """