模型评估

模型评估是指用评价函数(metrics)来评估模型的好坏，可作为在训练中调整超参数、评估模型效果的重要依据。不同类型的模型任务会选取不同评价函数，常见的如回归类任务会用均方差(MSE)，二分类任务会用AUC (Area Under Curve)值等。

评价函数和loss函数非常相似，但不参与模型的训练优化。

评价函数的输入为模型的预测值(preds)和标注值(labels)，并返回计算后的评价指标。

paddle.fluid.metrics模块提供了一系列常用的模型评价指标; 用户也可以通过Python接口定制评价指标，或者通过定制C++ Operator的方式，在GPU上加速评价指标的计算。

常用指标

不同类型的任务，会选用不同的评价指标。

回归问题通常会用RMSE(均方根误差)，MAE(平均绝对误差)，R-Square(R平方)等 AUC(Area Under Cure)指标则常被用在分类任务(classification)上 目标检测任务(Object Detection)则经常会用到mAP(Mean Average Precision)

paddle.fluid.metrics中包含了一些常用分类指标，例如Precision, Recall, Accuracy等

下面是使用Precision指标的示例:

import paddle.fluid as fluid
label = fluid.layers.data(name="label", shape=[1], dtype="int32")
data = fluid.layers.data(name="data", shape=[32, 32], dtype="int32")
pred = fluid.layers.fc(input=data, size=1000, act="tanh")
acc = fluid.metrics.Precision()
for pass_iter in range(PASSES):
  acc.reset()
  for data in train_reader():
      loss, preds, labels = exe.run(fetch_list=[cost, pred, label])
      acc.update(preds=preds, labels=labels)
  numpy_acc = acc.eval()

自定义指标

Fluid支持自定义指标，可灵活支持各类计算任务。下面是一个自定义的简单计数器评价函数示例:

其中preds是模型预测值，labels是标注值。

class MyMetric(MetricBase):
    def __init__(self, name=None):
        super(MyMetric, self).__init__(name)
        self.counter = 0  # simple counter
 
    def reset(self):
        self.counter = 0
 
    def update(self, preds, labels):
        if not _is_numpy_(preds):
            raise ValueError("The 'preds' must be a numpy ndarray.")
        if not _is_numpy_(labels):
            raise ValueError("The 'labels' must be a numpy ndarray.")
        self.counter += sum(preds == labels)
 
    def eval(self):
        return self.counter