|
- mindspore.nn.TopKCategoricalAccuracy
- ====================================
-
- .. py:class:: mindspore.nn.TopKCategoricalAccuracy(k)
-
- 计算top-k分类正确率。
-
- .. note::
- `update` 方法需要接收满足 :math:`(y_{pred}, y)` 格式的输入。如果某些样本具有相同的正确率，则将选择第一个样本。
-
- **参数：**
-
- - **k (int)** - 指定要计算的top-k分类正确率。
-
- **异常：**
-
- - **TypeError** - `k` 不是int。
- - **ValueError** - `k` 小于1。
-
- **样例：**
-
- >>> import numpy as np
- >>> from mindspore import nn, Tensor
- >>>
- >>> x = Tensor(np.array([[0.2, 0.5, 0.3, 0.6, 0.2], [0.1, 0.35, 0.5, 0.2, 0.],
- ... [0.9, 0.6, 0.2, 0.01, 0.3]]), mindspore.float32)
- >>> y = Tensor(np.array([2, 0, 1]), mindspore.float32)
- >>> topk = nn.TopKCategoricalAccuracy(3)
- >>> topk.clear()
- >>> topk.update(x, y)
- >>> output = topk.eval()
- >>> print(output)
- 0.6666666666666666
-
- .. py:method:: clear()
-
- 内部评估结果清零。
-
- .. py:method:: eval()
-
- 计算top-k分类正确率。
-
- **返回：**
-
- numpy.float64，计算结果。
-
- .. py:method:: update(*inputs)
-
- 使用预测值 `y_pred` 和真实标签 `y` 更新局部变量。
-
- **参数：**
-
- - **inputs** - 输入 `y_pred` 和 `y`。`y_pred` 和 `y` 支持Tensor、list或numpy.ndarray类型。
- `y_pred` 在大多数情况下由范围 :math:`[0, 1]` 中的浮点数组成，shape为 :math:`(N, C)` ，其中 :math:`N` 是样本数， :math:`C` 是类别数。
- `y` 由整数值组成。如果使用one-hot编码，则shape为 :math:`(N, C)` ；如果使用类别索引，shape是 :math:`(N,)` 。
|
