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。

mindformers.core.PromptAccMetric

查看源文件
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(w1w2...wN)1N=1P(w1w2...wN)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:

    accuracy=correct_sample_numstotal_sample_nums
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 [NC,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。