TF：tf.metrics

tf.metrics.accuracy

 返回两个值，第一个值是本次运行前的准确度，第二个值是本次运行后的准确度。

#encoding=utf-8
import numpy as np
import tensorflow as tf
 
x = tf.placeholder(tf.int32, [5])
y = tf.placeholder(tf.int32, [5])
acc, acc_op = tf.metrics.accuracy(labels=x, predictions=y)
 
sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())
sess.run(tf.local_variables_initializer())
 
v = sess.run([acc, acc_op], feed_dict={x: [1, 0, 0, 0, 0], y: [1, 0, 0, 0, 1]})
#共5、共正确4
print(v)    #[0.0, 0.8]

v = sess.run([acc, acc_op], feed_dict={x: [1, 1, 1, 1, 0], y: [0, 0, 0, 0, 1]})
#共10、共正确4
print(v)    #[0.8, 0.4]
 
v = sess.run([acc, acc_op], feed_dict={x: [1, 1, 1, 1, 0], y: [1, 1, 1, 1, 0]})
#共15、共正确9
print(v)    #[0.4, 0.6]
 
v = sess.run([acc, acc_op], feed_dict={x: [1, 1, 1, 1, 0], y: [1, 0, 0, 0, 1]})
#共20、共正确10
print(v)    #[0.6, 0.5]

tf.metrics.mean_iou[参考1][参考2]

mean_iou, update_op = tf.metrics.mean_iou()。其中mean_iou是平均交并比，update_op是不断更新的混淆矩阵。

类别的，。

1. TP：true_positive，正样本被预测为正样本的个数。
2. FP：false_positive，负样本被预测为正样本的个数。
3. TN：true_negative，正样本被预测为负样本的个数。
4. FN：false_negative，负样本被预测为负样本的个数。

比如label=[[0, 1, 2, 3], [0, 1, 1, 1]]，predic=[[0, 1, 2, 3], [0, 1, 0, 1]]时，对于类别0：

1. TP=2：label中的两个0被预测为0(绿色)。
2. FP=1：label中有一个非0被预测为0(蓝色)。
3. FN=0：label中没有出现0被预测为非0的情况。

因此，同理，，。所以。

import tensorflow as tf
import numpy as np

tf.reset_default_graph()

p = np.array(([0,1,2,3],[0,1,0,1]))
l = np.array(([0,1,2,3],[0,1,1,1]))

label = tf.reshape(l,[2,4])
predicts = tf.reshape(p, [2, 4])

iou_op = tf.metrics.mean_iou(label,predicts,4)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer()) 
    sess.run(tf.local_variables_initializer())

    mean_iou, conf_mat = sess.run(iou_op)
    print
    print(conf_mat)
    mean_iou, conf_mat = sess.run(iou_op)
    print
    print(mean_iou)
    print
    print(conf_mat)