文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindformers.core.PromptAccMetric

class mindformers.core.PromptAccMetric

计算每个实体的提示准确率（prompt acc）。提示准确率是基于构建提示的文本分类准确度。准确的索引是具有最小困惑度的提示索引。

1. 为该评估指标构建提示的方式如下：

   这是关于**体育**的文章：$passage
   这是关于**文化**的文章：$passage
   

2. 计算基于提示生成的每个上下文的困惑度。困惑度是衡量概率分布或模型预测样本能力的指标。较低的困惑度表示模型能够很好地预测样本。公式如下：

   $$PP(W)=P(w_1{w}_2...w_N{)}^{-\frac{1}{N}}=\sqrt[N]{\frac{1}{P(w_1{w}_2...w_N)}}$$

   其中， $w$ 代表语料库中的词。

3. 通过选择困惑度最小的提示索引来计算分类结果。

4. 计算正确分类的数量和样本总数，并计算准确率，公式如下：

   $$\text{accuracy}=\frac{\text{correct\_sample\_nums}}{\text{total\_sample\_nums}}$$

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> from mindformers.core.metric.metric import PromptAccMetric
>>> logtis = Tensor(np.array([[[[0.2, 0.5], [0.3, 0.1], [0.9, 0.6]]]]))
>>> input_ids = Tensor(np.array([[15, 16, 17]]))
>>> labels = Tensor(np.array([[1, 0, 1]]))
>>> mask = Tensor(np.array([[1, 1, 1]]))
>>> metric = PromptAccMetric()
>>> metric.clear()
>>> metric.update(logtis, input_ids, mask, labels)
>>> result = metric.eval()
>>> print(result)
Current data num is 1, total acc num is 1.0, ACC is 1.000
Acc: 1.000, total_acc_num: 1.0, total_num: 1
{'Acc': 1.0}

clear()

清除局部评估结果。

eval()

计算评估结果。

返回：

评估结果字典，包含 Acc 分数。

update(*inputs)

更新局部评估结果。

参数：

• *inputs (List) - 逻辑值、输入索引、输入掩码和标签。其中逻辑值是形状为 $[N,C,S,W]$ 的张量，数据类型为Float16或Float32；输入索引、输入掩码和标签是形状为 $[N\ast C,S]$ 的张量，数据类型为Int32或Int64。其中 $N$ 为批次大小， $C$ 为实体类型总数， $S$ 为序列长度， $W$ 为词表大小。