tf.keras.metrics和tf.keras.metrics中的部分函数
tf.keras.metrics.Accuracy对象只能接受label值，在使用的时候可以对输出使用tf.argmax等方法进行处理
a = tf.keras.metrics.Accuracy()
a.update_state([1, 2, 3, 4], [0, 2, 3, 4])
print(a.result().numpy())
# 输出为0.75
tf.keras.metrics.SparseCategoricalAccuracy对象将接受label和对应的输出值，是否用softmax激活不会对结果产生影响
b = tf.keras.metrics.SparseCategoricalAccuracy()
b.update_state([[1], [1]], [[0.1, 0.8, 0.1], [0.05, 0.95, 0]])
print(b.result().numpy())
# 输出为1
b_ = tf.keras.metrics.SparseCategoricalAccuracy()
b_.update_state([[1], [1]], [[0.2, 0.8, 0.3], [0.5, 0.95, 0]])
print(b_.result().numpy())
# 输出为1
c = tf.keras.metrics.SparseCategoricalAccuracy()
c.update_state([[2], [1]], [[0.1, 0.8, 0.1], [0.05, 0.95, 0]])
print(c.result().numpy())
# 输出为0.5
tf.keras.metrics.BinaryAccuracy对象接受one-hot编码的label和对应的输出
d = tf.keras.metrics.BinaryAccuracy()
d.update_state([1, 1, 0, 0], [0.98, 1, 0, 0.6])
print( d.result().numpy())
# 输出为0.75
tf.keras.losses.SparseCategoricalCrossentropy对象接受label预期对应的输出，from_logits默认为False此时接受输出为softmax处理过的概率输出；from_logits=True时接受logits输出
e=tf.keras.losses.SparseCategoricalCrossentropy()
print(e([2, 1, 0], [[0.1, 0.8, 0.1], [0.05, 0.95, 0],[0.1, 0.90, 0]]).numpy())
# 输出为1.5521545
f=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)
print(f([2, 1], [[0.4, 0.8, 0.3], [0.09, 0.95, 0]]).numpy())
# 输出为0.9580333
tf.keras.losses.BinaryCrossentropy接受one-hot编码的label和对应的输出
ls = tf.keras.losses.BinaryCrossentropy()
print(ls([0.,0.,1.,1.], [0,0,0.5,0.5]).numpy())
# 输出为0.0
注意：在tf.keras.losses的这个几个损失函数中，接受的输出值类型必须为float类型，输入int会报错