前言

最近在实操号称人工智能中的’hello world‘–手写数字集识别。这里是使用的是paddlepaddle深度学习框架。
其中我们在训练的时候，需要计算准确度。框架提供计算准确度的方法：fluid.layers.accuracy().它究竟是如何进行精确度的计算的？今天，我带大家一探究竟！

文章目录

• • 前言
  • accuracy方法介绍
  • accuracy()部分源码解析
  • 总结概括

accuracy方法介绍

paddle.fluid.layers.accuracy(input,label),
input 为输入为网络预测值
label为数据集的标签

def multilayer_perceptron(x):
    #这个fc方法有个扁平化操作。
    hidden1 = fluid.layers.fc(input=x,size=100,act='relu')
    hidden2 = fluid.layers.fc(input=hidden1,size=100,act='relu')
    #softmax 也称为归一化指数函数。这里包含两个步骤，第一步，使用指数函数将所有数值转化为0-1区间内的数
    #第二部，计算概率值，使用转化后的值/转化后值的和。
    y = fluid.layers.fc(input=hidden2,size=10,act='softmax')#?为什么是softmax
    return y
#定义数据层
x = fluid.layers.data(name='x',shape=[1,28,28],dtype='float32')
label = fluid.layers.data(name='y',shape=[1],dtype='int64')
prediction = multilayer_perceptron(x)
acc = fluid.layers.accuracy(input=prediction, label=label)

这里prediction是经过softmax激活函数处理后的形状为(10,)的数组。大家不知道softmax函数作用的可以看这篇文章，很清楚。
一分钟理解softmax函数（超简单）

一句话就是经过softmax函数处理过后，此时数组的值范围是【0，1】，总和加起来等于1.这里的每个值我们也叫做概率值。

accuracy()部分源码解析

我们通过control+鼠标左键进入源码方法中

def accuracy(input, label, k=1, correct=None, total=None):
    if in_dygraph_mode():
        topk_out, topk_indices = nn.topk(input, k=k)
        inputs = { 
            "Out": [topk_out],
            "Indices": [topk_indices],
            "Label": [label]
        }
        acc_out = _varbase_creator(dtype="float32")
        if correct is None:
            correct = _varbase_creator(dtype="int64")
        if total is None:
            total = _varbase_creator(dtype="int64")
        outputs = { 
            "Accuracy": [acc_out],
            "Correct": [correct],
            "Total": [total]
        }
        outs = core.ops.accuracy(inputs, { }, outputs)
        return outs['Accuracy'][0]

    helper = LayerHelper("accuracy", **locals())
    check_type_and_dtype(input, 'input', Variable,
                         ['float16', 'float32', 'float64'], 'accuracy')
    topk_out, topk_indices = nn.topk(input, k=k)
    acc_out = helper.create_variable_for_type_inference(dtype="float32")
    if correct is None:
        correct = helper.create_variable_for_type_inference(dtype="int64")
    if total is None:
        total = helper.create_variable_for_type_inference(dtype="int64")
    helper.append_op(
        type="accuracy",
        inputs={ 
            "Out": [topk_out],
            "Indices": [topk_indices],
            "Label": [label]
        },
        outputs={ 
            "Accuracy": [acc_out],
            "Correct": [correct],
            "Total": [total],
        })
    return acc_out

大家不用自己去看代码，跟着我的思路走就行。

代码中，首先对是否是动态图模型进行判断。然后我们发现，无论是不是动态图，都会执行这个方法：

 topk_out, topk_indices = nn.topk(input, k=k)

而且参数就是我们输入的prediction，那我们再进入这个方法里面看看：

This OP is used to find values and indices of the k largest entries for the last dimension.

这个操作被用来发现k个最大的值以及其索引值，我们没有传入的值，默认为1

举个例子吧：

data = np.array([[2,5,4,7],[6,2,9,4]])
topk(data,1)
out:[[7],[9]] 和[[3],[2]]
topk(data,2)
out:[[7,5],[9,6]]和[[3,1],[2,0]]

这一步就是找到最大值的索引值，也就是我们将手写数字集所分的类。

我们再往下看：

 outs = core.ops.accuracy(inputs, { }, outputs)

进入到这个方法中：

def accuracy(self):
      if self._tags_total == 0:
            return 1
        return self._tags_correct / self._tags_total

返回值是correct/total，也就是计算正确率。

总结概括

到这里，我基本上就明白了计算流程：