tensorflow2中keras.metrics的Accuracy和Mean的用法

---

1、tf.keras.metrics.Accuracy函数说明：

计算预测与真实值的准确度。

用法：

tf.keras.metrics.Accuracy
(
    name='accuracy',
    dtype=None
)

例如，如果y_true为[1、2、3、4]，而y_pred为[0、2、3、4]，则精度为3/4或 .75 。如果将权重指定为 [1、1、0、0] ，则精度将为1/2或 .5 ,权重0是用来屏蔽的。

update_state
(
    y_true,
    y_pred,
    sample_weight=None
)

示例：

import tensorflow as tf

m = tf.keras.metrics.Accuracy()
m.update_state([1, 2, 3, 4], [0, 2, 3, 4])
# Out[4]: <tf.Variable 'UnreadVariable' shape=() dtype=float32, numpy=4.0>
m.result().numpy()
# Out[5]: 0.75
m.reset_states()

m.update_state([1, 2, 3, 4], [0, 2, 3, 4], sample_weight = [1, 1, 0, 0])
# Out[7]: <tf.Variable 'UnreadVariable' shape=() dtype=float32, numpy=2.0>
m.result().numpy()
# Out[8]: 0.5

2、tf.keras.metrics.Mean函数说明

计算给定值的（加权）平均值。
用法：

tf.keras.metrics.Mean
(
    name='mean',
    dtype=None
)

例如，如果值为[1、3、5、7]，则平均值为4。如果权重指定为[1、1、0、0]，则平均值为2。

示例：

m = tf.keras.metrics.Mean()
m.update_state([1, 3, 5, 7])
# Out[10]: <tf.Variable 'UnreadVariable' shape=() dtype=float32, numpy=4.0>
m.result().numpy()
# Out[11]: 4.0
m.reset_states()

m.update_state([1, 3, 5, 7], sample_weight=[1, 1, 0, 0])
# Out[13]: <tf.Variable 'UnreadVariable' shape=() dtype=float32, numpy=2.0>
m.result().numpy()
# Out[14]: 2.0

---

3、使用步骤总结

用法的流程：

1、 新建一个metric

2、 更新数据update_state

3、 取出数据result().numpy()

4、 重置清零数据reset_states

步骤1，新建一个meter

acc_meter = metrics.Accuracy()   # 新建一个准确度的meter
loss_meter = metrics.mean()    # 求平均值

步骤2，向meter中添加数据

loss_meter.update_state(loss)
acc_meter.update_state(y_true, y_pred)

注： 在acc_meter.update_state(y, pred) 中添加的不是一个实时的Accuracy，它是一个专门计算Accuracy 的meter，只需要传递真实的y和预测的y（pred），它会自动的计算Accuracy，并保存。

步骤3，取出数据

print(loss_meter.result().numpy())
...
print('Evaluate Acc:', total_correct/total, acc_meter.result().numpy())

在loss_meter.result() 会得到一个tensor的数据，再使用.numpy将它转化为numpy的数据

步骤4，清除缓存meter

loss_meter.reset_states()
...
acc_meter.reset_states()