MXNet框架如何自定义evaluation metric

使用深度学习框架训练模型的时候都需要用到评价标准，比如准确率等，那么在MXNet框架下，这些评价标准(Evaluation Metric)是怎么实现的呢？如果我们要自定义一个不一样的评价标准要怎么做？一起来了解下吧。

首先来看看在MXNet框架下关于evaluation metric的最基本的类和脚本。mxnet.metric.EvalMetric是MXNet框架中计算评价标准（evaluation metric）的基础类，这个基础类是在MXNet项目的/incubator-mxnet/python/mxnet/metric.py中定义的。metric.py脚本中不仅包含类基础类的定义，还包含MXNet所有和metric相关的类的定义，所以如果你想更深入了解的话，可以看看这个脚本。

先来介绍下如何自定义一个evaluation metric。作者在文档中说过，这个类没有办法直接使用，当你要用的时候，应该要先自定义一个继承该基础类的类，将你想实现的评价标准写在里面，然后再在你的训练代码中调用该类。先看一个简单的定义一个evaluation metric的例子：

import mxnet as mx
class Accuracy(mx.metric.EvalMetric): # 在定义类名称的时候，括号里面表示继承哪个类
    def __init__(self, num=None):
        super(Accuracy, self).__init__('accuracy', num)

    def update(self, labels, preds):
        pred_label = mx.nd.argmax_channel(preds[0]).asnumpy().astype('int32')
        label = labels[0].asnumpy().astype('int32')

        mx.metric.check_label_shapes(label, pred_label)

        self.sum_metric += (pred_label.flat == label.flat).sum()
        self.num_inst += len(pred_label.flat)

在这个自定义类中主要包含一个__init__ 函数和一个update函数，前者是用来初始化，后者是用来更新metric，比如说你定义每计算一个batch的样本，就更新一次metric。updata函数的输入中，labels和preds都是一个NDArray的列表。在update函数中有个mx.metric.check_label_shaoes函数，这个函数的定义也是在MXNet项目的/incubator-mxnet/python/mxnet/metric.py脚本中，是用来判断labels和preds的shape是否一致，因为labels和preds都是list，而且一般这个list中只包含一个NDArray，比如说你的batch size是16，类别数是1000，那么labels中的NDArray就是16*1，preds中的NDArray就是16*1000。

以上这些代码可以写在类似名字为my_metric.py脚本中，那么怎么调用了？在你的训练代码中，可以通过mxnet.metric.CompositeEvalMetric类来调用，这个类是用来管理你的evaluation metrics的，这个类的定义也是在MXNet项目的/incubator-mxnet/python/mxnet/metric.py脚本中。先来看看官方的关于使用这个类的例子&#