TensorFlow SparseCategoricalAccuracy 度量计算

Question

我正在尝试使用 TensorFlow 的“SparseCategoricalAccuracy”[TensorFlow 2.0] 计算准确度，并且对计算值和我手动计算的值感到困惑-

m = tf.keras.metrics.SparseCategoricalAccuracy()

m.update_state(
    y_true = [[2], [1], [3]],
    y_pred = [[0.1, 0.9, 0.8], [0.05, 0.95, 0], [0.02, 0.5, 0.8]],
    sample_weight = [1, 1, 1]
    # or-
    # sample_weight = None
    )

m.result().numpy()
# 0.33333334

在这里，因为 'y_pred' 中的第一个和第三个预测匹配 y_true'，准确度不应该是 66.67% 而不是 33.33%？

再次，

m.reset_states()                                                       

y_pred = [[0.1, 0.4, 0.8], [0.05, 0.95, 0], [0.2, 0.1, 0.7]]           
m.update_state(y_true=y_true, y_pred=y_pred, sample_weight=None)

m.result().numpy()                                                     
# 0.6666667


y_true                                                                 
# [[2], [1], [3]]

y_pred                                                                 
# [[0.1, 0.4, 0.8], [0.05, 0.95, 0], [0.2, 0.1, 0.7]]

在这里，准确度应该是 33.33%，因为只有一个 'y_pred' 即第三个预测与 'y_true' 匹配

我究竟做错了什么？

谢谢？

Answer 1

您的标签需要被零索引。 然后你会得到正确的精度。

m = tf.keras.metrics.SparseCategoricalAccuracy()

m.update_state(
    # We have changed y_true = [[2], [1], [3]] to the following
    y_true = [[1], [0], [2]],
    y_pred = [[0.1, 0.9, 0.8], [0.05, 0.95, 0], [0.02, 0.5, 0.8]],
    sample_weight = [1, 1, 1]
    # or-
    # sample_weight = None
    )

m.result().numpy()