Académique Documents
Professionnel Documents
Culture Documents
Layers API This metric creates two local variables, and that are used to
compute the frequency with which
matches . This frequency is
ultimately returned as : an idempotent operation that simply
divides by
Callbacks API .totalcounty_predy_truebinary accuracytotalcount
Optimizers
If is , weights default to 1.
Use of 0 to mask values.sample_weightNonesample_weight
Metrics
Arguments
Losses
name: (Optional) string name of the metric instance.
Data loading dtype: (Optional) data type of the metric result.
Built-in small datasets
Standalone usage:
Keras Applications
0.75
KerasTuner
KerasCV
>>> m.reset_state()
KerasNLP >>> m.update_state([[1], [2], [3], [4]], [[0], [2], [3], [4]],
0.5
Contributing to Keras
model.compile(optimizer='sgd',
loss='mse',
KerasTuner
metrics=[tf.keras.metrics.Accuracy()])
KerasCV
KerasNLP
BinaryAccuracy classe
tf.keras.metrics.BinaryAccuracy(
Cette métrique crée deux variables locales, qui sont utilisées pour calculer la fréquence avec laquelle
les correspondances . Cette fréquence est finalement renvoyée comme : une opération idempotente
qui divise simplement par .totalcounty_predy_truebinary accuracytotalcount
Si est , les pondérations par défaut sont 1. Utilisation de 0 pour masquer les
valeurs.sample_weightNonesample_weight
Arguments
>>> m = tf.keras.metrics.BinaryAccuracy()
>>> m.result().numpy()
0.75
>>> m.reset_state()
>>> m.result().numpy()
0.5
model.compile(optimizer='sgd',
loss='mse',
metrics=[tf.keras.metrics.BinaryAccuracy()])
CategoricalAccuracy classe
tf.keras.metrics.CategoricalAccuracy(name="categorical_accuracy", dtype=None)
Calcule la fréquence à laquelle les prédictions correspondent à des étiquettes à un seul bouton.
Vous pouvez fournir des logits de classes comme , puisque argmax de logits et de probabilités sont
identiques.y_pred
Cette métrique crée deux variables locales, qui sont utilisées pour calculer la fréquence avec laquelle
les correspondances . Cette fréquence est finalement renvoyée comme : une opération idempotente
qui divise simplement par .totalcounty_predy_truecategorical accuracytotalcount
y_pred et devraient être transmis comme vecteurs de probabilités, plutôt que comme étiquettes. Si
nécessaire, utilisez tf.one_hot pour développer en tant que vecteur.y_truey_true
Si est , les pondérations par défaut sont 1. Utilisation de 0 pour masquer les
valeurs.sample_weightNonesample_weight
Arguments
Utilisation autonome :
>>> m = tf.keras.metrics.CategoricalAccuracy()
>>> m.result().numpy()
0.5
>>> m.reset_state()
>>> m.result().numpy()
0.3
model.compile(
optimizer='sgd',
loss='mse',
metrics=[tf.keras.metrics.CategoricalAccuracy()])
SparseCategoricalAccuracy class
tf.keras.metrics.SparseCategoricalAccuracy(
name="sparse_categorical_accuracy", dtype=None
This metric creates two local variables, and that are used to
compute the frequency with which
matches . This frequency is
ultimately returned as : an idempotent operation
that simply divides by
.totalcounty_predy_truesparse categorical accuracytotalcount
If is , weights default to 1.
Use of 0 to mask values.sample_weightNonesample_weight
Arguments
Standalone usage:
>>> m = tf.keras.metrics.SparseCategoricalAccuracy()
>>> m.result().numpy()
0.5
>>> m.reset_state()
>>> m.result().numpy()
0.3
model.compile(
optimizer='sgd',
loss='mse',
metrics=[tf.keras.metrics.SparseCategoricalAccuracy()])
TopKCategoricalAccuracy class
tf.keras.metrics.TopKCategoricalAccuracy(
Arguments
Standalone usage:
>>> m = tf.keras.metrics.TopKCategoricalAccuracy(k=1)
>>> m.result().numpy()
0.5
>>> m.reset_state()
>>> m.result().numpy()
0.3
model.compile(optimizer='sgd',
loss='mse',
metrics=[tf.keras.metrics.TopKCategoricalAccuracy()])
SparseTopKCategoricalAccuracy class
tf.keras.metrics.SparseTopKCategoricalAccuracy(
Arguments
Standalone usage:
>>> m = tf.keras.metrics.SparseTopKCategoricalAccuracy(k=1)
>>> m.result().numpy()
0.5
>>> m.reset_state()
>>> m.result().numpy()
0.3
model.compile(
optimizer='sgd',
loss='mse',
metrics=[tf.keras.metrics.SparseTopKCategoricalAccuracy()])