深度学习8-常用评估函数与自定义评估函数

1.常用损失函数

评估函数的接口:tf.keras.metrics

tf.keras.metrics.Binary_Accuracy
tf.keras.metrics.binary_accuracy   两者有什么区别？

前者是类的实现形式，后者是函数的实现形式

常用评估函数：
回归
tf.keras.metrics.MeanSquaredError   (平方差误差，用于回归，MSE)
tf.keras.metrics.MeanAbsoluteError   (绝对值误差，用于回归，MAE)
tf.keras.metrics.MeanAbsolutePercentageError (平均百分比误差，用于回归，MAPE)
tf.keras.metrics.RootMeanSquareError    (均方根误差  用于回归)


分类：
tf.keras.metrics.Accuracy       (准确率 用于分类)
tf.keras.metrics.AUC            (ROC曲线下的面积，用于二分类)
tf.keras.metrics.Precision       (精确率，用于二分类)
tf.keras.mertics.Recall           (召回率，用于二分类)
tf.keras.metrixcs.TopKCategoricalAccuracy (多分类TopK准确率）

2.自定义评估函数

基于tf.keras.metrics.Metric来实现的

两种实现形式:基于类的实现和基于函数的实现

大部分使用是基于类的实现

3.案例讲解-mnist数据集实现自定义评估函数

from __future__ import absolute_import, division, print_function, unicode_literals

import tensorflow as tf
import matplotlib.pyplot as plt

from tensorflow.keras.layers import Dense, Flatten, Conv2D
from tensorflow.keras import Model
import numpy as np

# 数据集
mnist = np.load("mnist.npz")
x_train, y_train, x_test, y_test = mnist['x_train'],mnist['y_train'],mnist['x_test'],mnist['y_test']

x_train, x_test = x_train / 255.0, x_test / 255.0

# 可视化
fig, ax = plt.subplots(
    nrows=2,
    ncols=5,
    sharex=True,
    sharey=True, )
 
ax = ax.flatten()
for i in range(10):
    img = x_train[y_train == i][0].reshape(28, 28)
    ax[i].imshow(img, cmap='Greys', interpolation='nearest')
    
ax[0].set_xticks(