Se usó la API de Cloud Translation para traducir esta página.
Switch to English

tf.keras.metrics.Metric

TensorFlow 1 versión Ver código fuente en GitHub

Encapsula la lógica métrica y el estado.

Hereda de: Layer

name (Opcional) Nombre de la cadena de la instancia métrica.
dtype (Opcional) tipo de datos del resultado métrica.
**kwargs capa adicional Palabras clave argumentos.

el uso autónomo:

 m = SomeMetric(...)
for input in ...:
  m.update_state(input)
print('Final result: ', m.result().numpy())
 

Uso con compile() API:

 model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(64, activation='relu'))
model.add(tf.keras.layers.Dense(64, activation='relu'))
model.add(tf.keras.layers.Dense(10, activation='softmax'))

model.compile(optimizer=tf.keras.optimizers.RMSprop(0.01),
              loss=tf.keras.losses.CategoricalCrossentropy(),
              metrics=[tf.keras.metrics.CategoricalAccuracy()])

data = np.random.random((1000, 32))
labels = np.random.random((1000, 10))

dataset = tf.data.Dataset.from_tensor_slices((data, labels))
dataset = dataset.batch(32)

model.fit(dataset, epochs=10)
 

Para ser implementada por subclases:

  • __init__() : Todas las variables de estado deben ser creados en este método llamando self.add_weight() como: self.var = self.add_weight(...)
  • update_state() : Tiene todos los cambios a las variables de estado como: self.var.assign_add (...).
  • result() : Calcula y devuelve un valor para la métrica de las variables de estado.

Ejemplo subclase aplicación:

 class BinaryTruePositives(tf.keras.metrics.Metric):

  def __init__(self, name='binary_true_positives', **kwargs):
    super(BinaryTruePositives, self).__init__(name=name, **kwargs)
    self.true_positives = self.add_weight(name='tp', initializer='zeros')

  def update_state(self, y_true, y_pred, sample_weight=None):
    y_true = tf.cast(y_true, tf.bool)
    y_pred = tf.cast(y_pred, tf.bool)

    values = tf.logical_and(tf.equal(y_true, True), tf.equal(y_pred, True))
    values = tf.cast(values, self.dtype)
    if sample_weight is not None:
      sample_weight = tf.cast(sample_weight, self.dtype)
      sample_weight = tf.broadcast_to(sample_weight, values.shape)
      values = tf.multiply(values, sample_weight)
    self.true_positives.assign_add(tf.reduce_sum(values))

  def result(self):
    return self.true_positives
 

Métodos

add_weight

Ver fuente

Añade variable de estado. Sólo para su uso por las subclases.

reset_states

Ver fuente

Restablece todas las variables de estado métricas.

Esta función se llama entre las épocas / pasos, cuando se evalúa una métrica durante el entrenamiento.

result

Ver fuente

Calcula y devuelve el valor del tensor métrico.

cómputo resultado es una operación idempotente que simplemente se calcula el valor de la métrica utilizando las variables de estado.

update_state

Ver fuente

Acumula las estadísticas de la métrica.

args
*args

**kwargs Un mini-lote de entradas a la métrica.