mindspore.train.RootMeanSquareDistance
- class mindspore.train.RootMeanSquareDistance(symmetric=False, distance_metric='euclidean')[源代码]
计算从 y_pred 到 y 的均方根表面距离。
给定两个集合A和B,S(A)表示A的表面像素,任意v到S(A)的最短距离定义为:
\[{\text{dis}}\left (v, S(A)\right ) = \underset{s_{A} \in S(A)}{\text{min }}\rVert v - s_{A} \rVert\]从集合B到集合A的均方根表面距离(Root Mean Square Surface Distance)为:
\[RmsSurDis(B \rightarrow A) = \sqrt{\frac{\sum_{s_{B} \in S(B)}^{} {\text{dis}^2 \left ( s_{B}, S(A) \right )} }{\left | S(B) \right |}}\]其中 ||*|| 表示距离度量。 |*| 表示元素的数量。
从集合B到集合A以及从集合A到集合B的表面距离平均值为:
\[RmsSurDis(A \leftrightarrow B) = \sqrt{\frac{\sum_{s_{A} \in S(A)}^{} {\text{dis} \left ( s_{A}, S(B) \right ) ^{2}} + \sum_{s_{B} \in S(B)}^{} {\text{dis} \left ( s_{B}, S(A) \right ) ^{2}}}{\left | S(A) \right | + \left | S(B) \right |}}\]- 参数:
distance_metric (string) - 支持如下三种距离计算方法:
"euclidean"
(欧式距离)、"chessboard"
(棋盘距离、切比雪夫距离) 或"taxicab"
(出租车距离、曼哈顿距离)。默认值:"euclidean"
。symmetric (bool) - 是否计算 y_pred 和 y 之间的对称平均平面距离。如果为
False
,计算方式为 \(RmsSurDis(y\_pred, y)\) ,如果为True
,计算方式为 \(RmsSurDis(y\_pred \leftrightarrow y)\) 。默认值:False
。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import numpy as np >>> from mindspore import Tensor >>> from mindspore.train import RootMeanSquareDistance >>> >>> x = Tensor(np.array([[3, 0, 1], [1, 3, 0], [1, 0, 2]])) >>> y = Tensor(np.array([[0, 2, 1], [1, 2, 1], [0, 0, 1]])) >>> metric = RootMeanSquareDistance(symmetric=False, distance_metric="euclidean") >>> metric.clear() >>> metric.update(x, y, 0) >>> root_mean_square_distance = metric.eval() >>> print(root_mean_square_distance) 1.0000000000000002
- update(*inputs)[源代码]
使用 y_pred、y 和 label_idx 更新内部评估结果。
- 参数:
inputs - y_pred、 y 和 label_idx。 y_pred 和 y 为Tensor,list或numpy.ndarray, y_pred 是预测的二值图像。 y 是实际的二值图像。 label_idx 数据类型为int或float,表示像素点的类别值。
- 异常:
ValueError - 输入的数量不等于3。
TypeError - label_idx 的数据类型不是int或float。
ValueError - label_idx 的值不在y_pred或y中。
ValueError - y_pred 和 y 的shape不同。