TensorFlow的模型准确率计量方法

TensorFlow中的 metrics 模块提供了一系列模型指标评估方法。当使用 Keras 的 Model.fit 函数训练时，可以直接在编译模型时传入该类别的一个实例即可实现自动计算。但是当手动实现训练循环时，需要自行实现评估逻辑，手动更新计量指标。这里以 CategoricalAccuracy（类别准确率）为例，说明具体的使用方法与注意事项。

CategoricalAccuracy 可以用来计算分类模型的准确率。它需要至少两个输入变量：独热标签与预测值。例如训练时某个分类任务的标签为 [0, 0, 1] ，模型的输出为 [0.1, 0,1, 0.9] 。使用以下代码可以获得当前的准确率计量结果。

m = tf.keras.metrics.CategoricalAccuracy()
m.update_state([0, 0, 1], [0.1, 0.1, 0.9])
m.result()

# 输出结果为 
<tf.Tensor: shape=(), dtype=float32, numpy=1.0>

即当前模型的准确率为1.0。

需要注意的是准确率的计量结果是累计的。假设第二次评估的标签与预测值分比为[0, 0, 1] 与 [0.1, 0.9, 0.1] 时，即模型做出了错误的预测，继续使用如下代码获取最新的评估结果。

m.update_state([0, 0, 1], [0.1, 0.9, 0.1])
m.result()

# 输出结果为
<tf.Tensor: shape=(), dtype=float32, numpy=0.5>

综合两次评估可以得出当前模型的准确率为0.5。

在实际训练中，我们希望计量一段训练过程中的模型准确率，并以此为依据决定是否保存该模型。因此计量过程存在开始与结束节点。当通过结束节点之后，需要重置该计量对象。

m.reset_state()
m.result()

# 输出结果为
<tf.Tensor: shape=(), dtype=float32, numpy=0.0>

重置的具体节点则可以灵活设定。如果你的数据集不大，可以将epoch结尾作为重置节点。如果你的数据集太过庞大，则可以在保存模型后重置。只要牢记你设定该计量对象的目的便不难做出抉择。