accuracy
paddle.fluid.layers.accuracy
(input, label, k=1, correct=None, total=None)[源代码]
accuracy layer。 参考 https://en.wikipedia.org/wiki/Precision_and_recall
使用输入和标签计算准确率。 如果正确的标签在topk个预测值里,则计算结果加1。注意:输出正确率的类型由input类型决定,input和lable的类型可以不一样。
参数
- input (Tensor|LoDTensor)-数据类型为float32,float64。输入为网络的预测值。shape为
[sample_number, class_dim]
。- label (Tensor|LoDTensor)-数据类型为int64,int32。输入为数据集的标签。shape为
[sample_number, 1]
。- k (int64|int32) - 取每个类别中k个预测值用于计算。
- correct (int64|int32)-正确预测值的个数。
- total (int64|int32)-总共的预测值。
返回
计算出来的正确率。
返回类型
Variable(Tensor),数据类型为float32的Tensor
代码示例
import paddle.fluid as fluid
import numpy as np
data = fluid.layers.data(name="input", shape=[-1, 32, 32], dtype="float32")
label = fluid.layers.data(name="label", shape=[-1,1], dtype="int")
fc_out = fluid.layers.fc(input=data, size=10)
predict = fluid.layers.softmax(input=fc_out)
result = fluid.layers.accuracy(input=predict, label=label, k=5)
place = fluid.CPUPlace()
exe = fluid.Executor(place)
exe.run(fluid.default_startup_program())
x = np.random.rand(3, 32, 32).astype("float32")
y = np.array([[1],[0],[1]])
output= exe.run(feed={"input": x,"label": y},
fetch_list=[result[0]])
print(output)
"""
Output:
[array([0.6666667], dtype=float32)]
"""