keras.metrics中的accuracy

keras.metrics有六种accuracy，其使用的场景如下：

• accuracy

真实标签和模型预测均为标量，如真实标签为[0,1,1,0,2,0]，模型输出的预测为[0,2,1,1,2,0]，此时accuracy=4/6

• categorical_accuracy

​​​​​​​真实标签为onehot标签，模型预测为向量形式。如真实标签为[[0, 0, 1], [0, 1, 0], [0, 1, 0], [1, 0, 0]]，模型预测为[[0.1, 0.6, 0.3], [0.2, 0.7, 0.1], [0.3, 0.6, 0.1], [0.9, 0, 0.1]]，此时keras会自动将向量形式的标签转换为标量形式，例如将上面那个真实标签转换为[2, 1, 1, 0]，将模型预测转换为[1, 1, 1, 0]，然后再第一种accuracy计算方法。

• sparse_categorical_accuracy

​​​​​​​适用场景是真实标签为标量形式，模型预测为向量形式。如真实标签为[2, 1, 1, 0]，模型预测为[[0.1, 0.6, 0.3], [0.2, 0.7, 0.1], [0.3, 0.6, 0.1], [0.9, 0, 0.1]]。此时keras会自动将模型预测转换为标量形式，即将模型预测转换为[1, 1, 1, 0]，然后再第一种accuracy计算方法。

• binary_accuracy

​​​​​​​适用于二分类情况。真实标签为标量，如[2, 1, 1, 0]，模型预测为标量概