Metric

class paddle.metric. Metric [源代码]

评估器 metric 的基类。

用法:

m = SomeMetric()
for prediction, label in ...:
    m.update(prediction, label)
m.accumulate()

compute 接口的进阶用法:

compute 中可以使用 PaddlePaddle 内置的算子进行评估器的状态,而不是通过 Python/NumPy,这样可以加速计算。update 接口将 compute 的输出作为 输入,内部采用 Python/NumPy 计算。

Metric 计算流程如下 (在{}中的表示模型和评估器的计算):

   inputs & labels              || ------------------
         |                      ||
      {model}                   ||
         |                      ||
  outputs & labels              ||
         |                      ||    tensor data
  {Metric.compute}              ||
         |                      ||
metric states(tensor)           ||
         |                      ||
  {fetch as numpy}              || ------------------
         |                      ||
metric states(numpy)            ||    numpy data
         |                      ||
  {Metric.update}               \/ ------------------

代码示例 1

以 计算正确率的 Accuracy 为例,该评估器的输入为 predlabel,可以在 compute 中通过 predlabel`先计算正确预测的矩阵。 例如,预测结果包含 10 类,`pred 的 shape 是[N, 10],label 的 shape 是[N, 1],N 是 batch size,我们需要计算 top-1 和 top-5 的准确率, 可以在 compute 中计算每个样本的 top-5 得分,正确预测的矩阵的 shape 是[N, 5]。

def compute(pred, label):
    # sort prediction and slice the top-5 scores
    pred = paddle.argsort(pred, descending=True)[:, :5]
    # calculate whether the predictions are correct
    correct = pred == label
    return paddle.cast(correct, dtype='float32')

代码示例 2

compute 中的计算,使用内置的算子(可以跑在 GPU 上,使得速度更快)。作为 update 的输入,该接口计算如下:

def update(self, correct):
    accs = []
    for i, k in enumerate(self.topk):
        num_corrects = correct[:, :k].sum()
        num_samples = len(correct)
        accs.append(float(num_corrects) / num_samples)
        self.total[i] += num_corrects
        self.count[i] += num_samples
    return accs

方法

reset()

清空状态和计算结果。

返回

无。

update(*args)

更新状态。如果定义了 computeupdate 的输入是 compute 的输出。如果没有定义,则输入是网络的输出**output**和标签**label**, 如:update(output1, output2, ..., label1, label2,...)

也可以参考 update

accumulate()

累积的统计指标,计算和返回评估结果。

返回

评估结果,一般是 一个标量 或 多个标量。

name()

返回 Metric 的名字,一般通过__init__构造函数传入。

返回

评估的名字,string 类型。

compute()

此接口可以通过 PaddlePaddle 内置的算子计算 metric 的状态,可以加速 metric 的计算,为可选的高阶接口。

  • 如果这个接口定义了,输入是网络的输出 outputs 和 标签 labels,定义如:compute(output1, output2, ..., label1, label2,...)

  • 如果这个接口没有定义,默认的行为是直接将输入参数返回给 update,则其定义如:update(output1, output2, ..., label1, label2,...)

也可以参考 compute