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