1.LOSS

1.1预置loss函数

paddle.nn下预置了常见的loss函数

paddle.nn.BCELoss BCELoss层
paddle.nn.BCEWithLogitsLoss BCEWithLogitsLoss层
paddle.nn.CrossEntropyLoss 交叉熵损失层
paddle.nn.CTCLoss CTCLoss层
paddle.nn.HSigmoidLoss 层次sigmoid损失层
paddle.nn.KLDivLoss Kullback-Leibler散度损失层
paddle.nn.L1Loss L1损失层
paddle.nn.MarginRankingLoss MarginRankingLoss层
paddle.nn.MSELoss 均方差误差损失层
paddle.nn.NLLLoss NLLLoss层
paddle.nn.SmoothL1Loss 平滑L1损失层

1.2自定义loss函数

类似于网络层，重写__init__和forward()函数。

import paddle
from paddle import nn
from paddle.nn import functional as F
import numpy as np
class myloss(nn.Layer):def __init__(self):super(myloss, self).__init__()def forward(self, outputs, labels):return F.softmax_with_cross_entropy(outputs, labels).mean()outputs = paddle.rand([4, 10], dtype='float32')
labels = paddle.to_tensor([[0], [2], [4], [6]])loss = myloss()
print(loss(outputs, labels))####
Tensor(shape=[1], dtype=float32, place=CPUPlace, stop_gradient=True,[2.49037051])

2.metric

2.1预设的metric类

在paddle.metric下有许多预置的评估函数类

Metric 评估器基类
Accuracy 准确率评估器类
Auc auc评估器类
Precision 精确率评估器类
Recall 召回率评估器类

使用方式一：单独使用

compute函数将输入数据做一定的处理（可加速update函数计算），update函数接受compute的结果数据，计算出一个batch的评估数据。accumulate利用update中积累的成员变量数据进行计算后返回。

x = paddle.to_tensor(np.array([[0.1, 0.2, 0.3, 0.4],[0.1, 0.4, 0.3, 0.2],[0.1, 0.2, 0.4, 0.3],[0.1, 0.2, 0.3, 0.4]]))
y = paddle.to_tensor(np.array([[0], [1], [2], [3]]))metric = paddle.metric.Accuracy()
# 处理输入的数据（predictions，labels）
inputs = metric.compute(x, y)
# 对一个batch做计算
acc = metric.update(inputs)
# 累积所有的batch的计算结果
fin_acc = metric.accumulate()print(fin_acc)####
0.75

方式二：paddle.model封装的模型中使用

model.prepare(optim,loss=paddle.nn.CrossEntropyLoss(),metrics=paddle.metric.Accuracy())

2.2自定义metric类

重写下面几个方法就可以实现自定义的metric类

from paddle.metric import Metricclass Precision(Metric):def __init__(self, name='precision', *args, **kwargs):super(Precision, self).__init__(*args, **kwargs)self.tp = 0  # true positiveself.fp = 0  # false positiveself._name = namedef update(self, preds, labels):if isinstance(preds, paddle.Tensor):preds = preds.numpy()elif not _is_numpy_(preds):raise ValueError("The 'preds' must be a numpy ndarray or Tensor.")if isinstance(labels, paddle.Tensor):labels = labels.numpy()elif not _is_numpy_(labels):raise ValueError("The 'labels' must be a numpy ndarray or Tensor.")sample_num = labels.shape[0]preds = np.floor(preds + 0.5).astype("int32")for i in range(sample_num):pred = preds[i]label = labels[i]if pred == 1:if pred == label:self.tp += 1else:self.fp += 1def reset(self):"""实现reset方法，每个Epoch结束后进行评估指标的重置，这样下个Epoch可以重新进行计算。"""self.tp = 0self.fp = 0def accumulate(self):ap = self.tp + self.fpreturn float(self.tp) / ap if ap != 0 else .0def name(self):"""实现name方法，返回定义的评估指标名字"""return self._name

paddlepaddle（五）自定义评价指标相关推荐

【安卓开发】Android初级开发(五)自定义View
1.自定义View的构造函数调用的场景 package com.sina.myapplication;import android.content.Context; import android.ut ...
五自定义View LayoutParams
知识点整理 1. LayoutParams 2. MarginLayoutParams 3 LayoutParams与View如何建立联系 4 自定义LayoutParams 4.1 创建自定义属性 ...
python Tags 母板组件静态文件相关自定义simpletag inclusion_tag
一.Tags(一)for 1.基本用法 <ul> {% for user in user_list %} <li>{{ user.name }}</li> {% e ...
图像语义分割及常用评价指标
语义分割学习记录语义分割概述图像分类(image classification) 目标检测(object detection) 语义分割(semantic segmentation) 实例分割(i ...
android 分时图x轴宽度,一步一步教你写股票走势图——分时图二（自定义xy轴）...
目录一步一步教你写股票走势图--分时图一(概述) 一步一步教你写股票走势图--分时图二(自定义xy轴) 一步一步教你写股票走势图--分时图三(对齐图表.自定义柱状图高亮) 一步一步教你写股票走势图- ...
【涡扇发动机RUL专题】:分段退化标签，测试集可视化、评价指标
涡扇发动机RUL预测常用的数据处理技术分段线性退化标签处理评价指标单台发动机可视化单独可视化的效果查看任意一台发动机的RUL预测情况总结常用的数据处理技术一直以为涡扇发动机的RUL不 ...
图像分割性能评价指标
图像语义分割及常用评价指标常用指标什么是混淆矩阵(Confusion Matrix) 混淆矩阵实际就是一个矩阵,该矩阵的元素是模型的分类结果,即模型正确分类.错误分类的样本的个数. 目前只看了基于 ...
android微信分享怎么自定义样式,自定义微信分享样式设置教程
一.功能效果自定义微信分享可以设置个性化的分享图片.标题.描述,让分享内容更加受到用户的喜爱和欢迎. 二.功能说明 [版本]网站标准版及以上 [前提]1.需要授权已认证的公众号(支持服务号.订阅号) ...
android自定义横线,Android实现自带横线的EditText
(一)问题怎样实现带有横栏的EditText(像记事本的编辑界面那样)? (二)初步思路 1.通过修改EditText背景来实现(系统背景是一个框形图片,内部透明,替换为一个带有横栏的图片即可) 2 ...

paddlepaddle（五）自定义评价指标

1.LOSS

1.1预置loss函数

1.2自定义loss函数

2.metric

2.1预设的metric类

2.2自定义metric类

paddlepaddle（五）自定义评价指标相关推荐

最新文章

热门文章