使用 Keras 模型中的准确性评估神经网络

Question

在 Keras 中，当训练和评估神经网络模型（分类两个类别（0 和 1））时，模型会返回训练和测试的损失和准确率：

model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=['accuracy'])

这种准确性代表什么？是两个类的平均准确率还是两个类之一的准确率？

Answer 1

准确率是正确分类的样本数除以所有样本数。它不涉及任何每个类的准确度。

这是 Keras 用于计算二进制精度的代码示例：

K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)

Answer 2

Keras 将从其代码中可能的指标列表中进行选择。从metrics源码来看，有五种可能：

def binary_accuracy(y_true, y_pred):
    return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)

def categorical_accuracy(y_true, y_pred):
    return K.cast(K.equal(K.argmax(y_true, axis=-1),
    K.argmax(y_pred, axis=-1)),
    K.floatx())

def sparse_categorical_accuracy(y_true, y_pred):
    return K.cast(K.equal(K.max(y_true, axis=-1),
    K.cast(K.argmax(y_pred, axis=-1), K.floatx())),
    K.floatx())

def top_k_categorical_accuracy(y_true, y_pred, k=5):
    return K.mean(K.in_top_k(y_pred, K.argmax(y_true, axis=-1), k), axis=-1)

def sparse_top_k_categorical_accuracy(y_true, y_pred, k=5):
    return K.mean(K.in_top_k(y_pred, K.cast(K.max(y_true, axis=-1), 'int32'), k), axis=-1)

选择取决于您拥有的模型类型和损失函数。在training 模块中，您会看到它选择了准确度函数：

if (output_shape[-1] == 1 or self.loss_functions[i] == losses.binary_crossentropy):
    # case: binary accuracy
    acc_fn = metrics_module.binary_accuracy

elif self.loss_functions[i] == losses.sparse_categorical_crossentropy:
    # case: categorical accuracy with sparse targets
    acc_fn = metrics_module.sparse_categorical_accuracy

else:
    acc_fn = metrics_module.categorical_accuracy

在您的模型中，您有 2 个输出和一个 categorical_crossentropy 损失，因此您将属于第 3 种情况，您的准确度将是：

def categorical_accuracy(y_true, y_pred):
    return K.cast(K.equal(K.argmax(y_true, axis=-1),
    K.argmax(y_pred, axis=-1)),
    K.floatx())

翻译，你的模型期望只有一个类是真实的，如果预测类的最大值等于真实类的索引，它就被认为是正确的。

例子：

• 预测：[0.7; 0.3] /// true: [1 ; 0] --- 算对
• 预测：[0.8; 0,2] /// 真：[0 ; 1] --- 算错