深度学习中：准确率，精确率，召回率，F1计算方式

**
TP：(实际为正例，预测也为正例) 实际为男生，预测为男生；
FP：(实际为负例，预测为正例) 实际为女生，预测为男生；
FN：(实际为正例，预测为负例) 实际为男生，预测为女生；
TN：(实际为负例，预测也为负例) 实际为女生，预测为女生；
**

准确率(Accuracy) ＝ (TP + TN) / 总样本 。 定义是: 对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。
精确率(Precision) ＝ TP / (TP + FP) 。它表示：预测为正的样本中有多少是真正的正样本，它是针对我们预测结果而言的。Precision又称为查准率。
召回率(Recall) ＝ TP / (TP + FN) = 40/70 = 57.14% 。它表示：样本中的正例有多少被预测正确了， 它是针对我们原来的样本而言的。Recall又称为查全率。

由于本代码是在输出预测输出图片每个像素的评价指标所写，其他情况，稍作修改即可

sum=128*128*10
def pixlAcc(y_true, y_pred):
    y_pred=tf.cast(y_pred,dtype=tf.float32)
    y_true=tf.cast(y_true,dtype=tf.float32)
    tfThre=tf.fill(y_pred.shape,0.5)
    # 正样本
    y_pred=tf.where(tf.greater(y_pred, tfThre), 1.0,0)
    sum_true_pred=tf.reduce_sum(y_pred*y_true)
    #负样本
    neg_y_perd=1-y_pred
    neg_y_true=1-y_true
    neg_sum_true_pred=tf.reduce_sum(neg_y_perd*neg_y_true)
    return (sum_true_pred+neg_sum_true_pred)/(sum)

def PosRecall(y_true, y_pred):
    y_pred=tf.cast(y_pred,dtype=tf.float32)
    y_true=tf.cast(y_true,dtype=tf.float32)
    tfThre=tf.fill(y_pred.shape,0.5)
    y_pred=tf.where(tf.greater(y_pred, tfThre), 1.0,0)
    true_pos=y_true*y_pred
    sum_pos_true=tf.reduce_sum(true_pos)
    sum_true=tf.reduce_sum(y_true)

    return (sum_pos_true)/(sum_true+0.001)

def Precision(y_true,y_pred):
    y_pred=tf.cast(y_pred,dtype=tf.float32)
    y_true=tf.cast(y_true,dtype=tf.float32) 
    #这里的0.5为自己设置的比例，可以自行调整
    tfThre=tf.fill(y_pred.shape,0.5)
    y_pred=tf.where(tf.greater(y_pred, tfThre), 1.0,0)
    true_pos=y_true*y_pred
    sum_pos_true=tf.reduce_sum(true_pos)
    sum_pos_pred=tf.reduce_sum(y_pred)
    return sum_pos_true/sum_pos_pred


def F1_m(y_true, y_pred):
    y_pred=tf.cast(y_pred,dtype=tf.float32)
    y_true=tf.cast(y_true,dtype=tf.float32)
    rightRadio=Precision(y_true, y_pred)
    RecallRadio=PosRecall(y_true, y_pred)
    return 2.0*rightRadio*RecallRadio/(rightRadio+RecallRadio+0.001)