tensorflow 里metrics_深入理解TensorFlow中的tf.metrics算子

import numpy as np

labels = np.array([[1,1,1,0],

[1,1,1,0],

[1,1,1,0],

[1,1,1,0]], dtype=np.uint8)

predictions = np.array([[1,0,0,0],

[1,1,0,0],

[1,1,1,0],

[0,1,1,1]], dtype=np.uint8)

n_batches = len(labels)

04 建立评价指标

为了简单起见，这里采用的评估指标是准确度(accuracy)：

如果我们想计算整个数据集上的accuracy，可以这样计算：

n_items = labels.size

accuracy = (labels ==  predictions).sum() / n_items

print("Accuracy :", accuracy)

[OUTPUT]

Accuracy : 0.6875

这种方法的问题在于它不能扩展到大型数据集，这些数据集太大而无法一次性加载到内存。为了使其可扩展，我们希望使评估指标能够逐步更新，每次更新一个batch中预测值和标签。为此，我们需要跟踪两个值：

正确预测的例子总和

目前所有例子的总数

在Python中，我们创建两个全局变量：

# Initialize running variables

N_CORRECT = 0

N_ITEMS_SEEN = 0

每次新来一个batch，我们将这个batch中的预测情况更新到这两个变量中：

# Update running variables

N_CORRECT += (batch_labels == batch_predictions).sum()

N_ITEMS_SEEN += batch_labels.size

而且，我们可以实时地计算每个点处的accuracy：

# Calculate accuracy on updated values

acc = float(N_CORRECT) / N_ITEMS_SEEN

合并前面的功能，我们创建如下的代码：

# Create running variables

N_CORRECT = 0

N_ITEMS_SEEN = 0

def reset_running_variables():

""" Resets the previous v