昇思MindSpore学习入门-评价指标

当训练使命竣事，经常须要评价函数（Metrics）来评估模子的优劣。差别的训练使命通常须要差别的Metrics函数。比方，对于二分类题目，常用的评价指标有precision（精确率）、recall（召回率）等，而对于多分类使命，可利用宏匀称（Macro）和微匀称（Micro）来评估。
MindSpore提供了大部分常见使命的评价函数，如Accuracy、Precision、MAE和MSE等，由于MindSpore提供的评价函数无法满意全部使命的需求，许多环境下用户须要针对详细的使命自界说Metrics来评估训练的模子。
本章紧张先容怎样自界说Metrics以及怎样在mindspore.train.Model中利用Metrics。
自界说Metrics

自界说Metrics函数须要继承mindspore.train.Metric父类，并重新实现父类中的clear方法、update方法和eval方法。

• clear：初始化相干的内部参数。
  
• update：汲取网络猜测输出和标签，盘算弊端，每次step后并更新内部评估效果。
  
• eval：盘算终极评估效果，在每次epoch竣事后盘算终极的评估效果。
  

匀称绝对弊端（MAE）算法如式(1)所示：

下面以简朴的MAE算法为例，先容clear、update和eval三个函数及其利用方法。

模子训练中利用Metrics

mindspore.train.Model是用于训练和评估的高层API，可以将自界说或MindSpore已有的Metrics作为参数传入，Model可以大概主动调用传入的Metrics举行评估。
在网络模子训练后，须要利用评价指标，来评估网络模子的训练效果，因此在演示详细代码之前起首简朴制定命据集，对数据集举行加载和界说一个简朴的线性回归网络模子：

利用内置评价指标

利用MindSpore内置的Metrics作为参数传入Model时，Metrics可以界说为一个字典范例，字典的key值为字符串范例，字典的value值为MindSpore内置的评价指标，如下示例利用train.Accuracy盘算分类的精确率。

利用自界说评价指标

如下示例在Model中传入上述自界说的评估指标MAE()，将验证数据集传入model.fit()接口边训练边验证。
验证效果为一个字典范例，验证效果的key值与metrics的key值雷同，验证效果的value值为猜测值与现实值的匀称绝对弊端。

 


免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！qidao123.com:ToB企服之家，中国第一个企服评测及软件市场,开放入驻,技术点评得现金