CategoricalAccuracy
构造参数
top_k(取logits值的最大的前k个)
tie_break(如果最大logits值出现多个相同的值,是否可以取平均)
例:输入为[[0.3, 0.5, 0.5, 0.2, 0.1],label为[[2]]
如果tie_break=True,最终得到的correct(计数)为0.5
如果tie_break=False,最终得到的correct(计数)为1
如果输入为[[0.3, 0.2, 0.5, 0.5, 0.1],label为[[2]],tie_break=False,correct(计数)为0,因为torch.max得到的是最后一个0.5。
输入
predictions(batch_size*num_classes)
gold_labels(batch_size)
mask(batch_size, optional)
例:
输入为
gold_labels = torch.tensor([2, 1])
predictions = torch.tensor([[0.1, 0.5, 0.5, 0.1, 0.1], [0.4, 0.2, 0.1, 0, 0.4]])
最终得到accuracy=0.5
mask如果不为空,表示计算完一个batch的correct(如[ [0], [0], [1], [1], [1] ])与mask相乘,如果mask为[1, 1, 1, 1, 0],correct被修改为
tensor([[0],
[0],
[1],
[1],
[0]])
最后对correct进行计数,除以总数。
BooleanAccuracy
输入
predictions(batch_size* num_classes)
gold_labels(batch_size* num_classes)
mask(batch_size* num_classes, optional)
如果mask的一组数据里全部为0,则无论预测是否正确,correct都为0
如果mask的一组数据里至少有一项为1,则最终correct的计数只对mask=1的位置进行。
例:
输入为
predictions = torch.tensor([[0, 1], [2, 2], [3, 5], [0, 5]])
gold_labels = torch.tensor([[0, 0], [2, 2], [3, 5], [0, 5]])
最终得到accuracy=0.75
即预测的若干个结果中,只要有一个和label不相符的,即为错误。
CategoricalAccuracy与BooleanAccuracy的区别:
前者输入为预测logits值(经过了softmax的);后者输入的是预测得到的索引值