mindspore.train.RootMeanSquareDistance

class mindspore.train.RootMeanSquareDistance(symmetric=False, distance_metric='euclidean')

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：

$$\text{dis}(v,S(A))=\underset{s_A\in S(A)}{\text{min }}\Vert v-s_A\Vert$$

从集合B到集合A的均方根表面距离(Root Mean Square Surface Distance)为：

$$RmsSurDis(B\to A)=\sqrt{\frac{\sum _{s_B\in S(B)}^{}{\text{dis}}^2(s_B,S(A))}{|S(B)|}}$$

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：

$$RmsSurDis(A\leftrightarrow B)=\sqrt{\frac{\sum _{s_A\in S(A)}^{}\text{dis}{(s_A,S(B))}^2+\sum _{s_B\in S(B)}^{}\text{dis}{(s_B,S(A))}^2}{|S(A)|+|S(B)|}}$$

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 $RmsSurDis(y\mathrm{\_}pred,y)$ ，如果为 True ，计算方式为 $RmsSurDis(y\mathrm{\_}pred\leftrightarrow y)$ 。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

clear()

内部评估结果清零。

eval()

计算均方根表面距离。

返回：

numpy.float64，计算得到的均方根表面距离值。

异常：

• RuntimeError - 如果没有先调用update方法，则会报错。

update(*inputs)

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。