如何解决TensorFlow 准确度指标
下面是一个非常简单的TensorFlow
2 图像分类模型。
请注意,损失函数不是通常的 SparseCategoricalCrossentropy
。此外,最后一层只有 1 个输出,所以这不是通常的分类设置。这里的准确性没有意义,但我只是好奇。
所以这段代码并没有像我们预期的那样运行良好,但仍然产生了大约 10% 的准确度的输出,这似乎是合理的。
我的问题是这个准确度是如何计算的?该模型的预测是一个连续值,而 y_true 是一个整数值。预测不是不可能有x.0,那么准确率就太高了。
import tensorflow as tf
(x_train,y_train),(x_test,y_test) = tf.keras.datasets.mnist.load_data()
model = tf.keras.Sequential([
tf.keras.layers.Flatten(),tf.keras.layers.Dense(32,activation='relu'),tf.keras.layers.Dense(1)
])
model.compile(loss='mse',optimizer='adam',metrics=['accuracy'])
model.fit(x_train,y_train,epochs=10)
===
Epoch 1/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8237 - accuracy: 0.0922
Epoch 2/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8266 - accuracy: 0.0931
Epoch 3/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8335 - accuracy: 0.0921
Epoch 4/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8109 - accuracy: 0.0931
Epoch 5/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8210 - accuracy: 0.0926
Epoch 6/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8067 - accuracy: 0.0921
Epoch 7/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8028 - accuracy: 0.0925
Epoch 8/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8070 - accuracy: 0.0929
Epoch 9/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.7879 - accuracy: 0.0925
Epoch 10/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8055 - accuracy: 0.0914
<tensorflow.python.keras.callbacks.History at 0x7f65db17df10>
因此,我搜索了 TensorFlow
API 文档以找到以下示例。这是有道理的。
m = tf.keras.metrics.Accuracy()
m.update_state([[1],[2],[3],[4]],[[0],[4]])
m.result().numpy()
===
0.75
所以我尝试了以下代码并获得了 0.0 的准确度。
m = tf.keras.metrics.Accuracy()
m.update_state(model.predict(x_train),y_train)
m.result().numpy()
===
0.0
对此有什么解释吗?
解决方法
看看 y_true
和 y_pred
度量的形状,因为它们的形状是 [n,1] 而不是 [n] | (其中 n
是实例数)。
因此,您必须在 -1 轴上expand the shape。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。