accuracy

paddle.static.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: Tensor，计算出来的正确率，数据类型为float32。

代码示例

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