tensorflow2 metrics评价标准（评价指标、评价函数）-马育民老师

# 介绍

在一个batch（批次）训练完成后，可以对本批次训练结果进行测试，测试准确率，在tensorflow中称之为 **metrics**，评价标准（评价指标）

# 如何设置

通过`model.compile()`的形参`metrics`进行设置，如下：
```
model.compile(optimizer=optimizer,loss='categorical_crossentropy',metrics=['acc'])
```
此处的`'acc'`是accuracy简写，指 tf.keras.metrics. Accuracy

# 评价函数

- 有些 **损失函数** 可以作为评价函数，如：mse，在 tf.keras.metrics 模块下，下面有介绍
- `tf.keras.metrics`模块下的函数都是评价标准函数
- 自定义评价函数

# tf.keras.metrics 下的评价函数

详见 [keras api目录](https://www.malaoshi.top/show_1EF4Aw0NQH80.html "keras api目录")

**下面是简单介绍：**

函数：

- binary_accuracy：二分类评价函数
- categorical_accuracy：用于one-hot评价函数
- sparse_categorical_accuracy：与categorical_accuracy类似，但label是非one-hot
- top_k_categorical_accuracy
- sparse_top_k_categorical_accuracy

类：

- MeanSquaredError（平方差误差，用于回归，可以简写为MSE，函数形式为mse）

- MeanAbsoluteError (绝对值误差，用于回归，可以简写为MAE，函数形式为mae)

- MeanAbsolutePercentageError (平均百分比误差，用于回归，可以简写为MAPE，函数形式为mape)

- RootMeanSquaredError (均方根误差，用于回归)

- Accuracy (准确率，用于分类，可以用字符串"Accuracy"表示，Accuracy=(TP+TN)/(TP+TN+FP+FN)，要求y_true和y_pred都为类别序号编码)

- Precision (精确率，用于二分类，Precision = TP/(TP+FP))

- Recall (召回率，用于二分类，Recall = TP/(TP+FN))

- TruePositives (真正例，用于二分类)

- TrueNegatives (真负例，用于二分类)

- FalsePositives (假正例，用于二分类)

- FalseNegatives (假负例，用于二分类)

- AUC(ROC曲线(TPR vs FPR)下的面积，用于二分类，直观解释为随机抽取一个正样本和一个负样本，正样本的预测值大于负样本的概率)

- CategoricalAccuracy（分类准确率，与Accuracy含义相同，要求y_true(label)为onehot编码形式）

- SparseCategoricalAccuracy (稀疏分类准确率，与Accuracy含义相同，要求y_true(label)为序号编码形式)

- MeanIoU (Intersection-Over-Union，常用于图像分割)

- TopKCategoricalAccuracy (多分类TopK准确率，要求y_true(label)为onehot编码形式)

- SparseTopKCategoricalAccuracy (稀疏多分类TopK准确率，要求y_true(label)为序号编码形式)

- Mean (平均值)

- Sum (求和)

# 自定义损失函数

自定义评价函数应该在编译的时候（compile）传递进去。该函数需要以 (y_true, y_pred) 作为输入参数，并返回一个张量作为输出结果。

```
import tensorflow as tf

def mean_pred(y_true, y_pred):
    return tf.mean(y_pred)

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy', mean_pred])
```

感谢：
https://zhuanlan.zhihu.com/p/95293440
https://www.cnblogs.com/xiximayou/p/12689915.html

原文出处：/show_1EF5dMVxdZdQ.html