mindspore.train.Precision

class mindspore.train.Precision(eval_type='classification')

计算数据分类的精度，包括单标签场景和多标签场景。

此函数创建两个局部变量 $\text{true\_positive}$ 和 $\text{false\_positive}$，用于计算精度。计算方式如下：

$$\text{precision}=\frac{\text{true\_positive}}{\text{true\_positive}+\text{false\_positive}}$$

参数：

• eval_type (str) - 支持 'classification' 和 'multilabel' 。具体作用见下方的update方法。默认值： 'classification' 。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> from mindspore.train import Precision
>>>
>>> x = Tensor(np.array([[0.2, 0.5], [0.3, 0.1], [0.9, 0.6]]))
>>> y = Tensor(np.array([1, 0, 1]))
>>> metric = Precision('classification')
>>> metric.clear()
>>> metric.update(x, y)
>>> precision = metric.eval()
>>> print(precision)
[0.5 1. ]

clear()

内部评估结果清零。

eval(average=False)

计算精度。

参数：

• average (bool) - 指定是否计算平均精度。默认值： False 。

返回：

numpy.float64，计算结果。

update(*inputs)

使用预测值 $y\mathrm{\_}pred$ 和真实标签 $y$ 更新局部变量。在多标签情况下， $y$ 和 $y\mathrm{\_}pred$ 的元素必须为0或1。

参数：

• inputs - 输入 $y\mathrm{\_}pred$ 和 $y$。 $y\mathrm{\_}pred$ 和 $y$ 支持Tensor、list或numpy.ndarray类型。

  • 对于 'classification' 情况， $y\mathrm{\_}pred$ 在大多数情况下由范围 $[0,1]$ 中的浮点数组成，shape为 $(N,C)$ ，其中 $N$ 是样本数， $C$ 是类别数。 $y$ 由整数值组成，如果是one_hot编码格式，shape是 $(N,C)$ ；如果是类别索引，shape是 $(N,)$ 。

  • 对于 'multilabel' 情况， $y\mathrm{\_}pred$ 和 $y$ 只能是值为0或1的one-hot编码格式，其中值为1的索引表示正类别。 $y\mathrm{\_}pred$ 和 $y$ 的shape都是 $(N,C)$ 。

异常：

• ValueError - inputs数量不是2。