tf.keras.metrics.Accuracy 计算预测与标签的匹配程度（准确率）-马育民老师

# 介绍

计算预测与标签的匹配程度，即：判断预测的准确率

该指标用于分类、逻辑回归

### 算法

预测样本与标签样本匹配的数量 / 预测样本（标签样本）的总数
如：
```
标签样本：[2, 3, 3, 4]
预测样本：[1, 4, 3, 4]

只有后面2个数字匹配，所以准确率为：2/4=0.5
```

### 常用别名

- tf.metrics.Accuracy

### model.compile(metrics )

在 `model.compile(metrics )`，可以通过字符串`"accuracy "`或`"acc"`指定指标

# 方法

### 创建对象

```
tf.keras.metrics.Accuracy(
    name='accuracy', dtype=None
)
```

### update_state()

传入 y_true，y_pred ，且形状相同

```
update_state(
    y_true,
    y_pred,
    sample_weight=None
)
```
##### 参数：
- y_true：ground truth，即：label 真值
- y_pred：预测值
- sample_weight：每个示例的可选权重。默认值为1。可以是Tensor，其维度与y_true相同，并且必须可广播到y_true。（具体见下面例子）

##### 返回：

Update op.

### result()

计算并返回结果

```
result()
```

### reset_states()

重置所有变量。

在训练期间评估指标时，在各个时期/步骤之间调用此功能。

```
reset_states()
```

# 例子

下面例子，y_true 和 y_pred 是一维数组，有 4 个数字，其中后 2 个数字完全匹配，所以准确率是`2/4=0.5`
```
m = tf.keras.metrics.Accuracy()
m.update_state([2, 3, 3, 4], [1, 4, 3, 4])
print('准确率: ', m.result().numpy()) 
```
执行结果：
```
准确率:  0.5
```

------------

继续执行，继续调用`m.update_state()`方法，y_true 和 y_pred 是一维数组，有 4 个数字，其中后 3 个数字完全匹配，**看上去准确率应该是**：`3/4=0.75`，但观察运行结果：

```
m.update_state([1, 2, 3, 4], [0, 2, 3, 4])
print('准确率: ', m.result().numpy()) 
```
执行结果：
```
准确率:  0.625
```

**原因：**
由于没有新创建`tf.keras.metrics.Accuracy()`对象，也没有调用`reset_states()`方法，所以计算方式是：将两次调用`update_state()`进行累加，共8个数字，有6个数字完全匹配，所以准确率是：`5/8=0.625`

------------

如果多次调用`update_state()`，且独立计算，互不干扰，需要调用`reset_states()`方法
```
m = tf.keras.metrics.Accuracy()
m.update_state([2, 3, 3, 4], [1, 4, 3, 4])
print('准确率: ', m.result().numpy())

m.reset_states()
m.update_state([1, 2, 3, 4], [0, 2, 3, 4])
print('准确率: ', m.result().numpy()) 
```
执行结果：
```
准确率:  0.5
准确率:  0.75
```

### sample_weight 作用

```
m = tf.keras.metrics.Accuracy()

# sample_weight=[0,0,0,1]表示只匹配最后一个数字
m.update_state([2, 3, 3, 4], [1, 4, 3, 4],sample_weight=[0,0,0,1])
print('准确率: ', m.result().numpy()) 
```
执行结果：
```
准确率:  1.0
```

原文出处：http://malaoshi.top/show_1EF5bUepvnuF.html