auc

paddle.static. auc ( input, label, curve='ROC', num_thresholds=4095, topk=1, slide_steps=1, ins_tag_weight=None ) [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找到:https://en.wikipedia.org/wiki/Receiver_operating_characteristic#Area_under_the_curve

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 (Tensor) - 数据类型为 float32、float64。浮点二维变量,值的范围为[0,1]。每一行降序排列。该输入为网络预测值,通常代表每个标签的概率。

  • label (Tensor) - 数据类型为 int32、int64。二维整型变量,为训练数据的标签,第一维大小代表 batch size,第二维大小为 1。

  • curve (str) - 曲线类型,可以为 ROCPR,默认 ROC

  • num_thresholds (int) - 将 roc 曲线离散化时使用的临界值数。默认 4095。

  • topk (int) - 取 topk 的输出值用于计算。

  • slide_steps (int) - 当计算 batch auc 时,不仅用当前步也用于先前步。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。

  • ins_tag_weight (Tensor) - 在多 instag 场景下,该数值代表着数据的真伪性,如果为 0,说明数据是被填充的假数据,如果为 1,说明为真数据。默认为 None,此时该数值被赋值为 1。

返回

tuple,当前计算出的 AUC。数据类型是 tensor,支持 float32 和 float64。

返回的元组为 auc_out, batch_auc_out, [batch_stat_pos, batch_stat_neg, stat_pos, stat_neg]。

  • auc_out 为准确率的结果;

  • batch_auc_out 为 batch 准确率的结果;

  • batch_stat_pos 为 batch 计算时 label=1 的统计值;

  • batch_stat_neg 为 batch 计算时 label=0 的统计值;

  • stat_pos 计算时 label=1 的统计值;

  • stat_neg 为计算时 label=0 的统计值。

代码示例

import paddle
import numpy as np
paddle.enable_static()

data = paddle.static.data(name="input", shape=[-1, 32,32], dtype="float32")
label = paddle.static.data(name="label", shape=[-1], dtype="int")
fc_out = paddle.static.nn.fc(x=data, size=2)
predict = paddle.nn.functional.softmax(x=fc_out)
result=paddle.static.auc(input=predict, label=label)

place = paddle.CPUPlace()
exe = paddle.static.Executor(place)

exe.run(paddle.static.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)

#you can learn the usage of ins_tag_weight by the following code.
'''
import paddle
import numpy as np
paddle.enable_static()

data = paddle.static.data(name="input", shape=[-1, 32,32], dtype="float32")
label = paddle.static.data(name="label", shape=[-1], dtype="int")
ins_tag_weight = paddle.static.data(name='ins_tag', shape=[-1,16], lod_level=0, dtype='float64')
fc_out = paddle.static.nn.fc(x=data, size=2)
predict = paddle.nn.functional.softmax(x=fc_out)
result=paddle.static.auc(input=predict, label=label, ins_tag_weight=ins_tag_weight)

place = paddle.CPUPlace()
exe = paddle.static.Executor(place)

exe.run(paddle.static.default_startup_program())
x = np.random.rand(3,32,32).astype("float32")
y = np.array([1,0,1])
z = np.array([1,0,1])
output= exe.run(feed={"input": x,"label": y, "ins_tag_weight":z},
                 fetch_list=[result[0]])
print(output)
'''