В Keras при обучении и оценке модели нейронной сети (классифицируйте два класса (0 и 1)) модель возвращает потери и точность как для обучения, так и для тестирования:
model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=['accuracy'])
В чем выражается эта точность? Это средняя точность для двух классов или точность для одного из двух классов?
Точность — это количество правильно классифицированных образцов, деленное на количество всех образцов. Это не требует какой-либо точности для каждого класса.
Вот, например, код, который Керас использует для вычисления двоичной точности:
K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)
Keras будет выбирать из списка возможных метрик в своем коде. Из исходного кода метрики есть пять возможностей:
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)
Выбор зависит от типа модели и функции потерь. В модуле обучения он выбирает функция точности:
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
В вашей модели у вас есть 2 выхода и categorical_crossentropy потери, поэтому вы попадете в случае 3, и ваша точность будет:
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())
При переводе ваша модель ожидает, что только один класс будет истинным, если индекс прогнозируемого класса с максимальным значением равен индексу истинного класса, он считается правильным.
Пример:
