accuracy¶

paddle.fluid.layers.accuracy(input, label, k=1, correct=None, total=None)[源代码]¶

accuracy layer。参考 https://en.wikipedia.org/wiki/Precision_and_recall

使用输入和标签计算准确率。如果正确的标签在topk个预测值里，则计算结果加1。注意：输出正确率的类型由input类型决定，input和lable的类型可以不一样。

参数¶

input (Tensor|LoDTensor)-数据类型为float32,float64。输入为网络的预测值。shape为 [sample_number, class_dim] 。

label (Tensor|LoDTensor)-数据类型为int64，int32。输入为数据集的标签。shape为 [sample_number, 1] 。

k (int64|int32) - 取每个类别中k个预测值用于计算。

correct (int64|int32)-正确预测值的个数。

total (int64|int32)-总共的预测值。

返回¶

计算出来的正确率。

返回类型¶

Variable（Tensor），数据类型为float32的Tensor

代码示例¶

import paddle.fluid as fluid
import numpy as np

data = fluid.layers.data(name="input", shape=[-1, 32, 32], dtype="float32")
label = fluid.layers.data(name="label", shape=[-1,1], dtype="int")
fc_out = fluid.layers.fc(input=data, size=10)
predict = fluid.layers.softmax(input=fc_out)
result = fluid.layers.accuracy(input=predict, label=label, k=5)

place = fluid.CPUPlace()
exe = fluid.Executor(place)

exe.run(fluid.default_startup_program())
x = np.random.rand(3, 32, 32).astype("float32")
y = np.array([[1],[0],[1]])
output= exe.run(feed={"input": x,"label": y},
                 fetch_list=[result[0]])
print(output)

"""
Output:
[array([0.6666667], dtype=float32)]
"""