TensorFlow 指標（contrib）

評估指標和匯總統(tǒng)計的操作.

API

該模塊提供計算流式指標的函數(shù)：以動態(tài)價值計算的指標 Tensors。每個指標聲明返回一個“value_tensor”，一個返回指標當前值的冪等運算，還有一個“update_op”，這是一個從當前Tensors 測量值累加信息的操作，并返回 “ value_tensor”。

要使用這些指標中的任何一個，只需聲明指標，update_op 重復調(diào)用即可將數(shù)據(jù)累加到所需數(shù)量的 Tensor 值(通常每個都是單個批次)，最后評估 value_tensor。例如，要使用streaming_mean：

value = ...
mean_value, update_op = tf.contrib.metrics.streaming_mean(values)
sess.run(tf.local_variables_initializer())

for i in range(number_of_batches):
  print('Mean after batch %d: %f' % (i, update_op.eval())
print('Final Mean: %f' % mean_value.eval())

每個指標函數(shù)將節(jié)點添加到圖表中，該圖保持計算指標值所需的狀態(tài)以及實際執(zhí)行計算的一組操作。每個指標評估由三個步驟組成

• 初始化：初始化指標標準狀態(tài)
• 聚合：更新指標標準狀態(tài)的值
• 完成：計??算最終的指標值

在上面的例子中，調(diào)用 streaming_mean 創(chuàng)建一對狀態(tài)變量，它們將包含(1)運行總和和(2)總和中樣本數(shù)的計數(shù)。因為流式指標使用局部變量，所以初始化階段通過運行tf.local_variables_initializer() 返回的操作來執(zhí)行的。它將 sum 和 count 變量設(shè)置為零。

接下來，通過 values 適當?shù)貦z查狀態(tài)變量的當前狀態(tài)和遞增來執(zhí)行聚合.此步驟通過運行由指標數(shù)返回的 update_op 來執(zhí)行。

最后，通過評估 “value_tensor”

實際上，我們通常希望評估多個批次和多個指標。為此，我們只需要多次運行指標計算操作：

labels = ...
predictions = ...
accuracy, update_op_acc = tf.contrib.metrics.streaming_accuracy(
    labels, predictions)
error, update_op_error = tf.contrib.metrics.streaming_mean_absolute_error(
    labels, predictions)

sess.run(tf.local_variables_initializer())
for batch in range(num_batches):
  sess.run([update_op_acc, update_op_error])

accuracy, error = sess.run([accuracy, error])

請注意，在不同輸入上多次評估相同的指標時，必須指定每個指標的范圍，以避免將結(jié)果累加在一起：

labels = ...
predictions0 = ...
predictions1 = ...

accuracy0 = tf.contrib.metrics.accuracy(labels, predictions0, name='preds0')
accuracy1 = tf.contrib.metrics.accuracy(labels, predictions1, name='preds1')

某些指標(如 streaming_mean 或 streaming_accuracy)可以通過 weights 參數(shù)加權(quán)。權(quán)重張量的大小必須作為指標的加權(quán)平均值的標簽，并且要和預(yù)測張量和結(jié)果相同。

TensorFlow 指標“操作”

• tf.contrib.metrics.streaming_accuracy
• tf.contrib.metrics.streaming_mean
• tf.contrib.metrics.streaming_recall
• tf.contrib.metrics.streaming_recall_at_thresholds
• tf.contrib.metrics.streaming_precision
• tf.contrib.metrics.streaming_precision_at_thresholds
• tf.contrib.metrics.streaming_auc
• tf.contrib.metrics.streaming_recall_at_k
• tf.contrib.metrics.streaming_mean_absolute_error
• tf.contrib.metrics.streaming_mean_iou
• tf.contrib.metrics.streaming_mean_relative_error
• tf.contrib.metrics.streaming_mean_squared_error
• tf.contrib.metrics.streaming_mean_tensor
• tf.contrib.metrics.streaming_root_mean_squared_error
• tf.contrib.metrics.streaming_covariance
• tf.contrib.metrics.streaming_pearson_correlation
• tf.contrib.metrics.streaming_mean_cosine_distance
• tf.contrib.metrics.streaming_percentage_less
• tf.contrib.metrics.streaming_sensitivity_at_specificity
• tf.contrib.metrics.streaming_sparse_average_precision_at_k
• tf.contrib.metrics.streaming_sparse_precision_at_k
• tf.contrib.metrics.streaming_sparse_precision_at_top_k
• tf.contrib.metrics.streaming_sparse_recall_at_k
• tf.contrib.metrics.streaming_specificity_at_sensitivity
• tf.contrib.metrics.streaming_concat
• tf.contrib.metrics.streaming_false_negatives
• tf.contrib.metrics.streaming_false_negatives_at_thresholds
• tf.contrib.metrics.streaming_false_positives
• tf.contrib.metrics.streaming_false_positives_at_thresholds
• tf.contrib.metrics.streaming_true_negatives
• tf.contrib.metrics.streaming_true_negatives_at_thresholds
• tf.contrib.metrics.streaming_true_positives
• tf.contrib.metrics.streaming_true_positives_at_thresholds
• tf.contrib.metrics.auc_using_histogram
• tf.contrib.metrics.accuracy
• tf.contrib.metrics.aggregate_metrics
• tf.contrib.metrics.aggregate_metric_map
• tf.contrib.metrics.confusion_matrix

TensorFlow 設(shè)置“操作”

• tf.contrib.metrics.set_difference
• tf.contrib.metrics.set_intersection
• tf.contrib.metrics.set_size
• tf.contrib.metrics.set_union