评价函数的用法

评价函数用于评估当前训练模型的性能。当模型编译后(compile),评价函数应该作为 metrics 的参数来输入。

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

评价函数和 损失函数 相似,只不过评价函数的结果不会用于训练过程中。

我们可以传递已有的评价函数名称,或者传递一个自定义的 Theano/TensorFlow 函数来使用(查阅自定义评价函数)。

参数

  • y_true: 真实标签,Theano/Tensorflow 张量。
  • y_pred: 预测值。和 y_true 相同尺寸的 Theano/TensorFlow 张量。

返回值

返回一个表示全部数据点平均值的张量。

可使用的评价函数

binary_accuracy

  1. binary_accuracy(y_true, y_pred)

categorical_accuracy

  1. categorical_accuracy(y_true, y_pred)

sparse_categorical_accuracy

  1. sparse_categorical_accuracy(y_true, y_pred)

top_k_categorical_accuracy

  1. top_k_categorical_accuracy(y_true, y_pred, k=5)

sparse_top_k_categorical_accuracy

  1. sparse_top_k_categorical_accuracy(y_true, y_pred, k=5)

自定义评价函数

自定义评价函数应该在编译的时候(compile)传递进去。该函数需要以 (y_true, y_pred) 作为输入参数,并返回一个张量作为输出结果。

  1. import keras.backend as K
  2. def mean_pred(y_true, y_pred):
  3. return K.mean(y_pred)
  4. model.compile(optimizer='rmsprop',
  5. loss='binary_crossentropy',
  6. metrics=['accuracy', mean_pred])