metric_op

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。 每个类别中top k 中正确预测的个数。注意：准确率的 dtype 由输入决定。 输入和标签 dtype 可以不同。

参数：
  • input (Variable)-该层的输入，即网络的预测。支持 Carry LoD。
  • label (Variable)-数据集的标签。
  • k (int) - 每个类别的 top k
  • correct (Variable)-正确的预测个数。
  • total (Variable)-总共的样本数。

返回: 正确率

返回类型: 变量（Variable）

代码示例

import paddle.fluid as fluid
data = fluid.layers.data(name="data", shape=[-1, 32, 32], dtype="float32")
label = fluid.layers.data(name="label", shape=[-1,1], dtype="int32")
predict = fluid.layers.fc(input=data, size=10)
accuracy_out = fluid.layers.accuracy(input=predict, label=label, k=5)

auc

paddle.fluid.layers.auc(input, label, curve='ROC', num_thresholds=4095, topk=1, slide_steps=1)[源代码]

Area Under the Curve(AUC) Layer

该层根据前向输出和标签计算AUC，在二分类(binary classification)估计中广泛使用。

注：如果输入标注包含一种值，只有0或1两种情况，数据类型则强制转换成布尔值。相关定义可以在这里: https://en.wikipedia.org/wiki/Receiver_operating_characteristic#Area_under_the_curve 找到

有两种可能的曲线：

  1. ROC:受试者工作特征曲线
  2. PR:准确率召回率曲线
参数：
  • input (Variable) - 浮点二维变量，值的范围为[0,1]。每一行降序排列。输入应为topk的输出。该变量显示了每个标签的概率。
  • label (Variable) - 二维整型变量，表示训练数据的标注。批尺寸的高度和宽度始终为1.
  • curve (str) - 曲线类型，可以为 ROC 或 PR，默认 ROC。
  • num_thresholds (int) - 将roc曲线离散化时使用的临界值数。默认200
  • topk (int) - 只有预测输出的topk数才被用于auc
  • slide_steps - 计算批auc时，不仅用当前步也用先前步。slide_steps=1，表示用当前步；slide_steps = 3表示用当前步和前两步；slide_steps = 0，则用所有步

返回：代表当前AUC的scalar

返回类型：变量（Variable）

代码示例：

import paddle.fluid as fluid
data = fluid.layers.data(name="data", shape=[32, 32], dtype="float32")
label = fluid.layers.data(name="label", shape=[1], dtype="int32")
predict = fluid.layers.fc(input=data, size=2)
auc_out=fluid.layers.auc(input=predict, label=label)