TensorFlow 准确度指标

Question

下面是一个很简单的TensorFlow2图像分类模型。 请注意，损失函数不是通常的SparseCategoricalCrossentropy。此外，最后一层只有 1 个输出，所以这不是通常的分类设置。这里的准确性没有任何意义，但我只是好奇。

所以这段代码并没有像我们预期的那样运行良好，但仍然产生了大约 10% 的准确度的输出，这似乎是合理的。

我的问题是如何计算这种准确性？该模型的预测是一个连续值，而 y_true 是一个整数值。预测有x.0也不是不可能，那么准确率太高了。

import tensorflow as tf

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

model = tf.keras.Sequential([
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(32, activation='relu'),
    tf.keras.layers.Dense(1)
])

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

model.fit(x_train, y_train, epochs=10)

===

Epoch 1/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8237 - accuracy: 0.0922
Epoch 2/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8266 - accuracy: 0.0931
Epoch 3/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8335 - accuracy: 0.0921
Epoch 4/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8109 - accuracy: 0.0931
Epoch 5/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8210 - accuracy: 0.0926
Epoch 6/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8067 - accuracy: 0.0921
Epoch 7/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8028 - accuracy: 0.0925
Epoch 8/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8070 - accuracy: 0.0929
Epoch 9/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.7879 - accuracy: 0.0925
Epoch 10/10
1875/1875 [==============================] - 3s 1ms/step - loss: 1.8055 - accuracy: 0.0914
<tensorflow.python.keras.callbacks.History at 0x7f65db17df10>

所以，我搜索了TensorFlow API 文档以找到以下示例。这是有道理的。

m = tf.keras.metrics.Accuracy()
m.update_state([[1], [2], [3], [4]], [[0], [2], [3], [4]])
m.result().numpy()

===

0.75

所以我尝试了以下代码并获得了 0.0 的准确度。

m = tf.keras.metrics.Accuracy()
m.update_state(model.predict(x_train), y_train)
m.result().numpy()

===

0.0

对此有什么解释吗？

Answer 1

查看y_true 和y_pred 度量的形状，因为它们的形状是[n,1] 而不是[n] | （其中n 是实例数）。 所以，你必须在 -1 轴上expand the shape。