一，常用的内置评估指标
- MeanSquaredError（平方差误差，用于回归，可以简写为MSE，函数形式为mse）
- MeanAbsoluteError (绝对值误差，用于回归，可以简写为MAE，函数形式为mae)
- MeanAbsolutePercentageError (平均百分比误差，用于回归，可以简写为MAPE，函数形式为mape)
- RootMeanSquaredError (均方根误差，用于回归)
- Accuracy (准确率，用于分类，可以用字符串"Accuracy"表示，Accuracy=(TP TN)/(TP TN FP FN)，要求y_true和y_pred都为类别序号编码)
- Precision (精确率，用于二分类，Precision = TP/(TP FP))
- Recall (召回率，用于二分类，Recall = TP/(TP FN))
- TruePositives (真正例，用于二分类)
- TrueNegatives (真负例，用于二分类)
- FalsePositives (假正例，用于二分类)
- FalseNegatives (假负例，用于二分类)
- AUC(ROC曲线(TPR vs FPR)下的面积，用于二分类，直观解释为随机抽取一个正样本和一个负样本，正样本的预测值大于负样本的概率)
- CategoricalAccuracy（分类准确率，与Accuracy含义相同，要求y_true(label)为onehot编码形式）
- SparseCategoricalAccuracy (稀疏分类准确率，与Accuracy含义相同，要求y_true(label)为序号编码形式)
- MeanIoU (Intersection-Over-Union，常用于图像分割)
- TopKCategoricalAccuracy (多分类TopK准确率，要求y_true(label)为onehot编码形式)
- SparseTopKCategoricalAccuracy (稀疏多分类TopK准确率，要求y_true(label)为序号编码形式)
- Mean (平均值)
- Sum (求和)
- https://tensorflow.google.cn/api_docs/python/tf/keras/metrics
二，自定义品函数及使用
代码语言：javascript
复制import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow.keras import layers,models,losses,metrics
# 函数形式的自定义评估指标
@tf.function
def ks(y_true,y_pred):
y_true = tf.reshape(y_true,(-1,))
y_pred = tf.reshape(y_pred,(-1,))
length = tf.shape(y_true)[0]
t = tf.math.top_k(y_pred,k = length,sorted = False)
y_pred_sorted = tf.gather(y_pred,t.indices)
y_true_sorted = tf.gather(y_true,t.indices)
cum_positive_ratio = tf.truediv(
tf.cumsum(y_true_sorted),tf.reduce_sum(y_true_sorted))
cum_negative_ratio = tf.truediv(
tf.cumsum(1 - y_true_sorted),tf.reduce_sum(1 - y_true_sorted))
ks_value = tf.reduce_max(tf.abs(cum_positive_ratio - cum_negative_ratio))
return ks_value
y_true = tf.constant([[1],[1],[1],[0],[1],[1],[1],[0],[0],[0],[1],[0],[1],[0]])
y_pred = tf.constant([[0.6],[0.1],[0.4],[0.5],[0.7],[0.7],[0.7],
[0.4],[0.4],[0.5],[0.8],[0.3],[0.5],[0.3]])
tf.print(ks(y_true,y_pred))
代码语言：javascript
复制model.compile(
loss="categorical_crossentropy",
optimizer=keras.optimizers.Adam(lr=0.001),
metrics=[keras.metrics.MeanIoU(num_classes=2),ks]
)
