1.LOSS

1.1预置loss函数

paddle.nn下预置了常见的loss函数

paddle.nn.BCELoss BCELoss层
paddle.nn.BCEWithLogitsLoss BCEWithLogitsLoss层
paddle.nn.CrossEntropyLoss 交叉熵损失层
paddle.nn.CTCLoss CTCLoss层
paddle.nn.HSigmoidLoss 层次sigmoid损失层
paddle.nn.KLDivLoss Kullback-Leibler散度损失层
paddle.nn.L1Loss L1损失层
paddle.nn.MarginRankingLoss MarginRankingLoss层
paddle.nn.MSELoss 均方差误差损失层
paddle.nn.NLLLoss NLLLoss层
paddle.nn.SmoothL1Loss 平滑L1损失层

1.2自定义loss函数

类似于网络层，重写__init__和forward()函数。

import paddle
from paddle import nn
from paddle.nn import functional as F
import numpy as np
class myloss(nn.Layer):def __init__(self):super(myloss, self).__init__()def forward(self, outputs, labels):return F.softmax_with_cross_entropy(outputs, labels).mean()outputs = paddle.rand([4, 10], dtype='float32')
labels = paddle.to_tensor([[0], [2], [4], [6]])loss = myloss()
print(loss(outputs, labels))####
Tensor(shape=[1], dtype=float32, place=CPUPlace, stop_gradient=True,[2.49037051])

2.metric

2.1预设的metric类

在paddle.metric下有许多预置的评估函数类

Metric 评估器基类
Accuracy 准确率评估器类
Auc auc评估器类
Precision 精确率评估器类
Recall 召回率评估器类

使用方式一：单独使用

compute函数将输入数据做一定的处理（可加速update函数计算），update函数接受compute的结果数据，计算出一个batch的评估数据。accumulate利用update中积累的成员变量数据进行计算后返回。

x = paddle.to_tensor(np.array([[0.1, 0.2, 0.3, 0.4],[0.1, 0.4, 0.3, 0.2],[0.1, 0.2, 0.4, 0.3],[0.1, 0.2, 0.3, 0.4]]))
y = paddle.to_tensor(np.array([[0], [1], [2], [3]]))metric = paddle.metric.Accuracy()
# 处理输入的数据（predictions，labels）
inputs = metric.compute(x, y)
# 对一个batch做计算
acc = metric.update(inputs)
# 累积所有的batch的计算结果
fin_acc = metric.accumulate()print(fin_acc)####
0.75

方式二：paddle.model封装的模型中使用

model.prepare(optim,loss=paddle.nn.CrossEntropyLoss(),metrics=paddle.metric.Accuracy())

2.2自定义metric类

重写下面几个方法就可以实现自定义的metric类

from paddle.metric import Metricclass Precision(Metric):def __init__(self, name='precision', *args, **kwargs):super(Precision, self).__init__(*args, **kwargs)self.tp = 0  # true positiveself.fp = 0  # false positiveself._name = namedef update(self, preds, labels):if isinstance(preds, paddle.Tensor):preds = preds.numpy()elif not _is_numpy_(preds):raise ValueError("The 'preds' must be a numpy ndarray or Tensor.")if isinstance(labels, paddle.Tensor):labels = labels.numpy()elif not _is_numpy_(labels):raise ValueError("The 'labels' must be a numpy ndarray or Tensor.")sample_num = labels.shape[0]preds = np.floor(preds + 0.5).astype("int32")for i in range(sample_num):pred = preds[i]label = labels[i]if pred == 1:if pred == label:self.tp += 1else:self.fp += 1def reset(self):"""实现reset方法，每个Epoch结束后进行评估指标的重置，这样下个Epoch可以重新进行计算。"""self.tp = 0self.fp = 0def accumulate(self):ap = self.tp + self.fpreturn float(self.tp) / ap if ap != 0 else .0def name(self):"""实现name方法，返回定义的评估指标名字"""return self._name

paddlepaddle（五）自定义评价指标

1.LOSS

1.1预置loss函数

1.2自定义loss函数

2.metric

2.1预设的metric类

2.2自定义metric类