mindspore.train
模型
模型训练或推理的高阶接口。 |
回调函数
在训练过程中备份和恢复训练参数的回调函数。 |
|
用于构建Callback函数的基类。 |
|
保存checkpoint时的配置策略。 |
|
当监控的指标停止改进时停止训练。 |
|
将网络输出和评估指标的相关信息记录到 History 对象中。 |
|
用于自定义简单的callback。 |
|
用于在训练期间更改学习率。 |
|
训练场景下，监控训练的loss；边训练边推理场景下，监控训练的loss和推理的metrics。 |
|
checkpoint的回调函数。 |
|
响应用户关闭请求，退出训练或推理进程，保存checkpoint和mindir。 |
|
当 monitor 停止改进时降低学习率。 |
|
保存和管理模型的相关信息。 |
|
监控训练或推理的时间。 |
评价指标
接口名 |
概述 |
支持平台 |
计算数据分类的正确率，包括二分类和多分类。 |
|
|
计算BLEU分数。 |
|
|
计算混淆矩阵(confusion matrix)，通常用于评估分类模型的性能，包括二分类和多分类场景。 |
|
|
计算与混淆矩阵相关的度量。 |
|
|
计算余弦相似度。 |
|
|
集合相似性度量。 |
|
|
计算F1 score。 |
|
|
计算Fbeta评分。 |
|
|
计算Hausdorff距离。 |
|
|
计算loss的平均值。 |
|
|
计算平均绝对误差MAE（Mean Absolute Error）。 |
|
|
计算从 y_pred 到 y 的平均表面距离。 |
|
|
用于计算评估指标的基类。 |
|
|
测量均方差MSE（Mean Squared Error）。 |
|
|
用于计算神经网络对给定图像的遮挡灵敏度（Occlusion Sensitivity），表示了图像的哪些部分对神经网络的分类决策最重要。 |
|
|
计算困惑度（perplexity）。 |
|
|
计算数据分类的精度，包括单标签场景和多标签场景。 |
|
|
计算数据分类的召回率，包括单标签场景和多标签场景。 |
|
|
计算ROC曲线。 |
|
|
计算从 y_pred 到 y 的均方根表面距离。 |
|
|
计算top-1分类正确率。 |
|
|
计算top-5分类正确率。 |
|
|
计算top-k分类正确率。 |
|
工具
接口名 |
概述 |
支持平台 |
使用梯形法则计算曲线下面积AUC（Area Under the Curve，AUC）。 |
|
|
根据输入的 name 获取metric的方法。 |
|
|
获取所有metric的名称。 |
|
|
此装饰器用于根据类的 indexes 属性对输入重新排列。 |
|
二阶优化
该接口用于增加计算图，提升二阶算法THOR运行时的性能。 |
|
将网络转换为thor层网络，用于计算并存储二阶信息矩阵。 |